Kimi K3 对比 Claude Fable 5：数学更稳，还是响应更快？

#ai #api #llm #benchmark

Kimi K3 对比 Claude Fable 5：数学更稳，还是响应更快？

这不是一篇只看最终答案的模型排行榜。四道题分别检查数学中间状态、物理阶段划分、可执行 Python 和约束推理，并把输出截断与模型能力分开判断。

先看工程结论

本轮 Fable 5 的平均延迟约为 37.1 秒，Kimi K3 约为 108.0 秒。Kimi K3 在概率题中给出了完全一致的状态回代；Fable 5 最终值正确，但两个中间状态存在算术错误。

测试方法

Test date: 2026-07-17
Base URL: https://cn.crazyrouter.com/v1
Endpoint: POST /v1/chat/completions
Models: kimi-k3, claude-fable-5
temperature: 0.2
Round 1 max_tokens: 4000
Coding retry max_tokens: 7000

两个模型使用完全相同的提示词和验收标准。HTTP 200 只能说明请求完成，本文还检查最终数值、中间状态、finish_reason、可执行 Python 和相同的断言。

结果总览

任务	Kimi K3	Claude Fable 5
HHTH 概率题	通过	最终值通过；中间算术错误
碰撞与弹簧	通过	通过
Python 日志聚合	4000 截断；7000 通过	4000 截断；7000 通过
排班推理	通过	通过

平均延迟 — Kimi K3: 108.0 s
平均延迟 — Claude Fable 5: 37.1 s

数学题揭示了中间验证的重要性

偏置硬币题要求计算在 P(H)=3/5、允许模式重叠时首次出现 HHTH 的期望投掷次数。正确结果为：

E[T] = 715/54 ≈ 13.2407407407
E1 = 625/54
E2 = 475/54
E3 = 170/27

Kimi K3 同时用状态方程、模式 border 和公平硬币特例交叉验证。Fable 5 的最终答案虽然正确，但局部回代不一致，因此需要外部校验。

代码题首先考验的是输出预算

Python 函数需要按 request_id 去重重试，解析 ISO-8601 时间，过滤半开区间 [start,end)，汇总 token 与延迟，并执行多级排序。

Round 1, max_tokens=4000:
Kimi K3 finish_reason=length
Fable 5 finish_reason=length

Retry, max_tokens=7000:
Kimi K3: 145.2 s, 5199 completion tokens, 8/8 assertions
Fable 5: 46.6 s, 3710 completion tokens, 8/8 assertions

max_tokens 为 4000 时两者都以 length 结束；提高到 7000 后，两份代码均通过八个断言。HTTP 200 不能替代完整性检查。

物理题两者都正确拆分阶段

物理题包含完全非弹性碰撞、摩擦和弹簧压缩两个阶段。两款模型都得到：

Post-collision speed: 2.4 m/s
Energy lost in collision: 21.6 J
Maximum compression: about 0.2212 m

碰撞压簧题的最大压缩量约为 0.2212 米；排班题的唯一顺序为 Eli、Bo、Ada、Cici、Deng。两款模型均通过。

文本约束题得到同一唯一解

两款模型都找到了同一个唯一的工作日排班：

周一	周二	周三	周四	周五
Eli	Bo	Ada	Cici	Deng

碰撞压簧题的最大压缩量约为 0.2212 米；排班题的唯一顺序为 Eli、Bo、Ada、Cici、Deng。两款模型均通过。

延迟与 reasoning token 的工程含义

Kimi K3 completion tokens: 13,975
Kimi K3 reasoning tokens: about 12,500
Fable 5 completion tokens: 10,187

Kimi K3 第一轮报告约 12,500 个 reasoning tokens，这与更长延迟和代码可见输出空间不足同时出现。

如何选择和路由

高频可测试代码优先评估 Fable 5
精确数学推导保留 Kimi K3
所有长代码检查 finish_reason 并执行测试

测试边界

这是一组小样本测试，不是通用排行榜。正式评估应将每类任务重复 20–50 次，并统计成功率、截断率、首 token 时间、P50/P95/P99 延迟、completion tokens 和每个通过结果的成本。

结论

更准确的判断不是谁全面胜出，而是 Fable 5 更适合速度敏感的可验证任务，Kimi K3 更适合允许较长等待、重视推导一致性的任务。

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://cn.crazyrouter.com/v1")
response = client.chat.completions.create(
    model="kimi-k3",
    temperature=0.2,
    max_tokens=4000,
    messages=[{"role": "user", "content": "YOUR_TEST_PROMPT"}],
)
print(response.model, response.choices[0].finish_reason, response.usage)