Kimi K3 fa sul serio, GLM-5.2 è una scommessa, niente affari

La promessa dietro i nuovi modelli cinesi è semplice: pesi aperti che pareggiano la frontiera occidentale per una frazione del prezzo. I numeri indipendenti sono più precisi. Sul Coding Agent Index di Artificial Analysis, Kimi K3 pareggia davvero il livello medium di GPT-5.6, in 4,6 volte il tempo attivo [1]. E i token di GLM-5.2 a 1,40 $ si sono trasformati in 6,51 $ per task tentato [2].

Non ho ancora fatto girare nessuno dei due modelli sui miei repository, quindi questa non è una prova sul campo. È una lettura delle ricevute che esistono: le misurazioni indipendenti degli agenti, i voti delle arene, le tabelle dei produttori con le loro stesse note a piè di pagina, e le condizioni di licenza che nessuno cita nei thread di lancio. Versione breve: la capacità è vera, lo sconto quasi mai.

Da dove arriva l’hype?

Da tre fatti veri arrivati insieme. Kimi K3 guida la classifica fullstack di Arena [3] ed è secondo sulla WebDev Arena, davanti a Claude Fable 5 e GPT-5.6 [4]. Entrambi i modelli pubblicano pesi aperti a dimensioni che nessuno aveva mai aperto [5] [6]. Ed entrambi listano prezzi per token molto sotto le ammiraglie occidentali [5] [7].

I risultati delle arene meritano di essere presi sul serio. Sulla tabella fullstack datata 24 luglio 2026, Kimi K3 max tiene il primo posto con un punteggio di 1.664, davanti a GPT-5.6 Sol a 1.633 e Fable 5 a 1.623 [3]. Sulla WebDev Arena quattro giorni dopo, Claude Opus 5 max guida a 1.712 e Kimi è secondo a 1.682 su 3.777 voti, sopra Fable 5, Sol e GLM-5.2 [4]. Le persone, potendo scegliere, continuano a votare quello che questo modello costruisce in un browser.

Anche l’apertura è vera. Moonshot presenta Kimi K3 come il primo modello a pesi aperti da 2.800 miliardi di parametri, con una finestra di contesto da un milione di token, visione integrata e un prezzo API di 3 $ per milione di token in input e 15 $ in output [5]. GLM-5.2 è il fratello minore: 753 miliardi di parametri sotto una semplice licenza MIT [6], listato a 1,40 $ in ingresso e 4,40 $ in uscita [7]. Metti quei cartellini accanto al listino occidentale e la narrazione si scrive da sola.

Moonshot stessa è più prudente dei suoi fan. Il post di lancio ammette che K3 resta dietro Fable 5 e GPT-5.6 Sol, e riconosce “un divario percepibile nell’esperienza d’uso” rispetto a entrambi [5]. Quella frase, scritta dal produttore, si rivela anche il riassunto più esatto dei dati indipendenti.

Cosa dicono i numeri indipendenti?

Artificial Analysis fa passare ogni sistema per la stessa suite in tre parti: 113 task di ingegneria del software (DeepSWE), 84 task agentici da terminale (Terminal-Bench v2) e 124 domande tecniche sul codice (SWE-Atlas Q&A), a peso uguale nel Coding Agent Index v1.3 [8]. Rilevato il 30 luglio 2026: Kimi K3 fa 61, esattamente alla pari con GPT-5.6 a effort medium. Opus 5 medium fa 62. GLM-5.2 fa 43 [1] [2].

Un dettaglio di inquadramento conta più di qualsiasi punteggio. L’indice misura sistemi, non pesi: Kimi girava dentro la sua Kimi Code CLI, GLM-5.2 dentro Claude Code, Sol dentro Codex, i modelli Claude dentro Claude Code [1] [2]. Non stai mai misurando un modello. Stai misurando un modello vestito di un agente preciso, a un livello di effort preciso.

Misura	Kimi K3	GLM-5.2	Sol medium	Opus 5 medium
Coding Agent Index	61	43	61	62 (Valore migliore della riga)
DeepSWE, %	64	29	64	63
Terminal-Bench v2, %	84 (Valore migliore della riga)	72	78	79
SWE-Atlas Q&A, %	37	29	40	44 (Valore migliore della riga)
Costo per task, $	3,18	6,51	2,99 (Valore migliore della riga)	3,14
Tempo attivo, min	23,8	25,1	5,2 (Valore migliore della riga)	12,2

La storia della tabella sta sulla diagonale: Kimi vince il terminale, Opus vince la comprensione, Sol vince il cronometro e GLM-5.2 non vince niente a queste impostazioni.

Guarda prima il pareggio, perché è il riassunto più onesto di Kimi in una riga. Lo stesso 61 di Sol medium, a 3,18 $ per task contro 2,99 $, cioè circa il 6% in più [1]. Ma gli servono 23,8 minuti attivi contro i 5,2 di Sol, ed è il 4,6 volte dell’attacco, più 10,6 milioni di token contro 5,8 milioni. Contro Opus 5 medium il quadro si ripete: un punto di indice sotto, quattro centesimi in più a task, circa il doppio del tempo [2].

Il soffitto resta occidentale. Sol max arriva a 67 a 7,08 $ per task [1]; Opus 5 xhigh pareggia quel 67 a 8,23 $ e firma la migliore comprensione di repository della suite, 55% su SWE-Atlas Q&A [2]. Fable 5 max si ferma a 66 per 11,71 $ a task, il modo più caro di comprare un punto che Opus xhigh vende pure [2]. L’84% di Kimi su Terminal-Bench v2 è territorio di frontiera vero, sopra l’83% di Sol high e a pochi punti dalle ammiraglie a effort massimo [1] [2].

Il punto debole di Kimi è altrettanto visibile: 37% sulla componente di domande sul codice, sotto il 40% di Sol medium e molto sotto quello che firmano le configurazioni Claude [1] [2]. Il profilo si legge come un agente più bravo a fare che a capire quello che già esiste. Su un progetto da zero conta poco. Su un repository ereditato da 300.000 righe è tutto il mestiere.

Più economico per token è davvero più economico?

Non da solo. Un task costa token per prezzo del token, e un agente che ha bisogno di più giri, più tentativi o più ragionamento moltiplica il primo fattore più in fretta di quanto qualsiasi sconto restringa il secondo. GLM-5.2 è la prova misurata: il listino più basso della tabella, eppure un costo per task sopra ogni configurazione occidentale in medium [2] [7].

Prima i listini, perché due mi hanno sorpreso. Fino al 31 agosto 2026 Claude Sonnet 5 si vende al prezzo di lancio di 2 $ per milione di token in input e 10 $ in output, poi passa a 3 $ e 15 $ dal 1º settembre [9]. Kimi K3 costa 3 $ e 15 $ oggi [5]. Il famoso modello cinese economico è il 50% più caro per token del modello da volume di Anthropic questo mese, e identico a listino dall’autunno.

Il resto della tabella: Opus 5 a 5 $ in ingresso e 25 $ in uscita, Fable 5 a 10 $ e 50 $ [9], GPT-5.6 a 5 $ e 30 $ con uno scaglione a contesto lungo a 10 $ e 45 $ [10], e GLM-5.2 sotto tutti a 1,40 $ e 4,40 $ con letture di cache a 0,26 $ [7].

Due note a piè di pagina rendono scivolosi anche quei cartellini. I tokenizer cambiano da produttore a produttore: Anthropic documenta che il suo tokenizer attuale produce circa il 30% di token in più per lo stesso testo rispetto al precedente [9], quindi un prezzo per milione di token non è nemmeno un’unità fissa tra famiglie di modelli. E cambia il comportamento di ragionamento: Kimi K3 ragiona sempre, la FAQ della piattaforma è esplicita sul fatto che non si può spegnere, e l’effort predefinito è max [11]. Paghi token che non vedi mai.

listino, per milione di token in input

1,40 $

il modello più economico di questo confronto

misurato, per task tentato

6,51 $

dentro Claude Code, 25,1 minuti attivi

derivato, per task risolto

15,14 $

costo per tentativo diviso per il tasso di successo del 43%

Fai girare quell’aritmetica su tutta la tabella e l’ordine cambia. Sol medium esce attorno a 4,90 $ per task risolto, Opus 5 medium a 5,06 $, Kimi K3 a 5,21 $ e GLM-5.2 a 15,14 $, tre volte la concorrenza occidentale. La lettura del grafico in una riga: sotto misurazione, il cartellino più economico del confronto diventa la modifica risolta più cara.

E questo ignora ancora la parte costosa. Dieci minuti di un ingegnere che fa triage su un run fallito costano più di qualsiasi numero in quella figura. Nel momento in cui i fallimenti cadono su un umano invece che su un ciclo di retry, il tasso di successo domina del tutto il prezzo del token.

In cosa è davvero bravo Kimi K3?

Lavoro pesante da terminale, sviluppo web a forma di prodotto, run lunghi di agenti e ogni scenario in cui possedere i pesi conta. La suite indipendente lo sostiene, le arene lo sostengono e il posizionamento della stessa Moonshot combacia [1] [3] [5]. Quello che non è, con le prove attuali, è un sostituto economico per il lavoro pesante su repository esistenti.

Il risultato da terminale regge da due lati: 84% misurato in modo indipendente nella CLI di Kimi [1], 88,3% nella configurazione preferita di Moonshot [12]. La promessa sulla lunga distanza è misurata dal produttore, ma notevole: K3 guida la tabella SWE-Marathon di Moonshot a 42, e la stessa tabella annota apertamente a piè di pagina che Fable 5 è caduto su modelli di riserva nel 35% di quei task e che alcune righe di Kimi giravano su un ramo preliminare calibrato per hardware H20 [12]. Aggiungi la visione nativa con un encoder dedicato e la finestra da un milione di token [12], e l’idea di Moonshot di iterare tra codice e screenshot dal vivo [5] smette di suonare come marketing.

Le debolezze sono altrettanto concrete. Comprensione: 37% sulle domande sul codice [1]. Velocità: 23,8 minuti attivi per task significano che parallelizzi gli agenti o aspetti; la tua attenzione non si parallelizza. E “pesi aperti” merita due conti sul tovagliolo prima che qualcuno pianifichi il self-hosting: 2.800 miliardi di parametri fanno circa 1,4 TB di pesi anche quantizzati a 4 bit, prima della cache KV e dell’overhead di serving. È un cluster, non una workstation.

Contano anche le carte. La licenza è permissiva ma non standard: un business di modello come servizio oltre i 20 milioni di dollari di ricavi aggregati richiede un accordo separato con Moonshot, e qualsiasi prodotto oltre i 100 milioni di utenti attivi mensili o i 20 milioni di dollari di ricavi mensili deve mostrare “Kimi K3” in evidenza; l’uso interno è esente [13]. E le condizioni standard dell’API permettono a Moonshot di usare i contenuti dei clienti per fornire, mantenere, sviluppare, supportare e migliorare i suoi servizi, con le restrizioni sull’uso per l’addestramento dei modelli rimandate ad accordi enterprise separati [14]. Io non punterei l’API pubblica su un repository proprietario senza aver messo quella conversazione per iscritto.

Perché GLM-5.2 è crollato in Claude Code?

Nessuno fuori da Z.ai lo sa con esattezza, ed è proprio questo il punto. Gli stessi pesi fanno l’81% su Terminal-Bench dentro l’harness Terminus di Z.ai [6] e il 72% dentro Claude Code [2]. Quello che è crollato nella misurazione indipendente è il sistema attorno al modello: chiamate agli strumenti, recupero dagli errori, comportamento della cache, aderenza alle convenzioni dell’agente. La misura condanna una configurazione, non necessariamente i pesi.

La riga indipendente completa resta una lettura amara comunque: indice 43, DeepSWE 29%, domande sul codice 29%, 6,51 $ per task tentato e, con 25,1 minuti attivi, il run più lento dell’intera tabella [2]. Una traiettoria che brucia 25 minuti e 6,51 $ con un listino da 1,40 $/4,40 $ è una traiettoria che ha passato gran parte del budget a girare in tondo.

I numeri di Z.ai escono da macchinari più amichevoli, e la scheda del modello lo dice senza giri: SWE-Bench Pro a 62,1 via OpenHands con un prompt di istruzioni su misura, DeepSWE con timeout di due ore in container isolati, Terminal-Bench via Terminus con budget di quattro ore [6]. Niente di tutto questo è barare. È un produttore che mostra il modello nell’ambiente per cui l’ha tarato. Solo che non è una prova sull’agente che esegui davvero.

Una corsia razionale gli resta comunque. A 753 miliardi di parametri sotto MIT [6], GLM-5.2 è il candidato realistico al self-hosting dei due, e a 1,40 $ per milione di token è un pilota sensato per lavoro massivo con verifica automatica: codemod con suite di test, candidati di migrazione, tutto ciò in cui un controllo deterministico intercetta il 57% che fallisce e i fallimenti costano solo calcolo. Nel momento in cui un umano rivede i fallimenti, l’aritmetica si ribalta.

Come leggere una classifica di coding

I lanci di Kimi e GLM sono un caso di studio di alfabetizzazione sui benchmark, quindi ecco la mappa che uso prima di credere a un numero.

Segnale	Cosa premia	Cosa non ti può dire
DeepSWE, 113 task	chiudere task di ingegneria da capo a fondo	l’aderenza alle convenzioni del tuo codice
Terminal-Bench v2, 84 task	portare una shell a uno stato finale verificato	la comprensione di un grande repository esistente
SWE-Atlas Q&A, 124 task	rispondere a domande tecniche sul codice	la capacità di far atterrare la modifica descritta
WebDev e Fullstack Arena	cosa preferiscono le persone nei duelli	correttezza, test, sicurezza, manutenibilità
Schede modello dei produttori	il modello al suo meglio, in casa propria	la comparabilità tra le righe

Poi applica tre sconti. Primo, il rumore di infrastruttura: il team di ingegneria di Anthropic ha misurato uno scarto di 6 punti percentuali su Terminal-Bench 2.0 dovuto ai soli limiti di risorse, ha visto i tassi di errore di infrastruttura scendere dal 5,8% allo 0,5% allentando i limiti, e ha concluso che i distacchi in classifica sotto circa 3 punti meritano scetticismo finché le configurazioni non sono documentate e allineate [15]. Il pareggio di Kimi con Sol medium cade dentro quella banda; trattalo come parità, non come vittoria di qualcuno.

Secondo, l’asimmetria delle note. La tabella comparativa di Moonshot fa girare ogni concorrente in un harness diverso, include modelli di riserva su alcune righe e valuta il proprio benchmark interno, dove Fable 5 ha registrato 13 ripieghi e un rifiuto su 80 task [12]. Merito dove è dovuto: Moonshot quelle note le ha stampate da sola. I thread di lancio che citavano la tabella, no.

Terzo, la disciplina di versione. L’indice indipendente porta una versione (v1.3 oggi) perché il suo mix di task cambia [8]; un punteggio di una versione non è confrontabile con quello di un’altra, per quanto simile sembri il nome. Qualsiasi confronto che non dichiari harness, effort, budget e versione è un’impressione travestita da decimale.

Dove finiscono i modelli nel mio instradamento

Tutto quanto sopra cambia cosa proverei per primo, non su cosa standardizzerei. La mia tabella di instradamento oggi, con i due nuovi arrivati sistemati con onestà:

Il lavoro	La mia scelta oggi
Modifiche di routine con test solidi	Sonnet 5, a 2 $/10 $ fino al 31 agosto 2026
Cicli rapidi di agente e lavoro da terminale	GPT-5.6 a effort medium o high
Lavoro su un grande repository esistente	Opus 5 a effort medium o high
Fullstack da zero e build carichi di UI	Kimi K3, la corsia che i voti d’arena sostengono
Lavoro massivo con verifica automatica	GLM-5.2 nel suo harness nativo, come pilota
Escalation quando tutto il resto fallisce	Fable 5, con il contagocce

È la stessa aritmetica che mi ha insegnato la settimana di lancio di Opus 5: quello che compri davvero sono modifiche approvate, e tutto il resto, token compresi, è materia prima.

Due risultati sposterebbero queste righe. Un run di Kimi K3 in un harness neutrale (Claude Code o Codex) che tenga quel 61, il che proverebbe che il punteggio appartiene al modello e non alla sua CLI di casa. E una misurazione indipendente di GLM-5.2 nel suo agente nativo, fatta da qualcuno che non lo vende. Fino ad allora il riassunto onesto resta in piedi: i modelli sono veri, i prezzi sono marketing e le ricevute sono qui sopra.