Abbiamo condotto un esperimento in cui abbiamo fatto generare a Kimi K2.7 Code e Claude Fable 5 dodici pagine di destinazione ciascuno per un confronto affiancato. Complessivamente, Kimi K2.7 Code è costato circa il 94% in meno (16 volte meno) di Fable 5 e ha prodotto output di qualità simile, specialmente dopo aver fornito a Kimi il giusto contesto con un design MCP.
Abbiamo pubblicato i nostri risultati sul sito OVSC, insieme a tutte le varianti generate da Claude Opus 4.8, Claude Fable 5 e Kimi K2.7 Code. In media, Kimi è stato circa 16 volte più economico di Fable e circa 8 volte più economico di Opus.
Uno screenshot da https://ovsc.vercel.app/
Il sito OVSC ti permette di esplorare tutte le pagine di destinazione insieme ai dettagli dei costi totali, dell'utilizzo dei token e del tempo di generazione.
Per capire come abbiamo condotto l'esperimento, abbiamo iniziato stabilendo una base di riferimento e vedendo cosa il modello poteva produrre dal solo prompt.
I Prompt
Abbiamo iniziato con un piccolo insieme di prompt per pagine di destinazione in diverse categorie, tra cui B2B SaaS, un rooftop speakeasy e uno strumento per sviluppatori per query SQL. Ecco un esempio dei prompt che abbiamo usato:
- Crea una pagina di destinazione per uno strumento per sviluppatori che trasforma query SQL in grafici.
- Crea una pagina di destinazione per un cocktail bar speakeasy sul rooftop - art déco, foglia d'oro e smeraldo, glamour anni '20.
- Crea una pagina di destinazione per una startup B2B SaaS - uno strumento di project management e collaborazione per team (attività, timeline, flussi di lavoro di squadra, integrazioni).
Abbiamo dato gli stessi prompt sia a Kimi K2.7 Code che a Claude Fable 5.
Ecco le pagine che questi modelli hanno creato quando è stato chiesto di “Crea una pagina di destinazione per uno strumento per sviluppatori che trasforma query SQL in grafici.”
Purtroppo, entrambi i modelli hanno prodotto pagine di destinazione che sembravano chiaramente generate dall'AI.
Server MCP di Ispirazione per il Design
Abbiamo configurato un server MCP personalizzato che forniva screenshot di pagine di destinazione ben progettate, insieme a singoli elementi UI e altri riferimenti visivi. Poiché Kimi K2.7 Code è multimodale, abbiamo potuto includere quelle immagini direttamente nel prompt insieme al testo.
Ciò ha cambiato significativamente i risultati. Invece di generare un layout da un breve prompt, Kimi poteva lavorare partendo da esempi concreti, cogliere il linguaggio visivo e applicare quei pattern a una nuova pagina. In pratica, i risultati avevano una gerarchia più forte, una migliore tipografia e una composizione più intenzionale.
Ecco un prima e dopo della pagina di destinazione Rooftop Speakeasy:
Con l'ispirazione del design, Kimi ha prodotto pagine che si caricavano più velocemente, evitavano placeholder di immagini rotte e utilizzavano una tipografia molto più leggibile.
Una volta migliorato il design, la prossima cosa che volevamo esplorare era il costo.
Costi per Pagina di Destinazione
Uno dei vantaggi dell'utilizzo di un modello open-source come Kimi K2.7 Code è il costo. Ad esempio, questa pagina di destinazione per un B2B SaaS è costata solo 4 centesimi con Kimi. Lo stesso prompt è costato $1.09 con Claude Fable, rendendolo quasi 27 volte più costoso.
In media, le pagine di destinazione generate con Kimi K2.7 Code sono state circa 16 volte meno costose di quelle generate con un modello proprietario come Claude Fable 5.
Con gli agenti di codifica generativa raramente si genera una sola versione di una pagina di destinazione. Più spesso, si generano molte varianti per esplorare diverse direzioni di design, copy ed elementi della pagina. Poi si itera su quelle promettenti, modificando e perfezionando attraverso cicli ripetuti di sperimentazione e aggiustamento. Con tutto questo andirivieni, la differenza di prezzo si accumula rapidamente, anche per qualcosa di semplice come una pagina di destinazione SaaS.
Se dovessi generare 100 pagine con Kimi K2.7 Code, risparmieresti circa $94 rispetto all'uso di un modello proprietario come Claude Fable 5.
Un costo inferiore era un chiaro vantaggio, ma volevamo anche un modo per confrontare la qualità dei risultati.
Confronto dei Risultati
Dopo aver generato le pagine di destinazione, volevamo un modo sistematico per confrontare Kimi e Fable. Non stavamo solo guardando il codice in sé, ma la qualità complessiva di ogni pagina, inclusi posizionamento, direzione visiva, struttura dei contenuti, artigianalità, reattività ed esecuzione tecnica. Per farlo, abbiamo dato a GPT-5.5 una rubrica per rivedere e valutare gli screenshot e il codice sorgente di ogni pagina e assegnare un punteggio finale da 0 a 100.
Ecco i punteggi per ogni pagina di destinazione:
Claude Fable ha ottenuto punteggi più alti in entrambi gli esempi, ma il divario era relativamente piccolo. Kimi è rimasto competitivo su design, struttura e qualità complessiva della pagina, pur costando molto meno da eseguire. Per questo tipo di flusso di lavoro, abbiamo ritenuto che il compromesso fosse ragionevole.
Claude Fable ha ottenuto punteggi più alti in entrambi gli esempi, ma il divario era relativamente piccolo. Kimi è rimasto competitivo su design, struttura e qualità complessiva della pagina, pur costando molto meno da eseguire. Per questo tipo di flusso di lavoro, abbiamo ritenuto che il compromesso fosse ragionevole.
Considerazioni Finali
I modelli open-source come Kimi K2.7 Code sono già in grado di generare pagine di destinazione utili, ma il nostro esperimento ha dimostrato che i prompt da soli sono solo una parte dell'equazione. Senza un contesto migliore, sia Kimi che Claude Fable tendevano a produrre risultati raffinati ma generici.
Il miglioramento più grande è arrivato dal fornire a Kimi un'ispirazione visiva attraverso un server MCP personalizzato. Una volta che ha potuto lavorare partendo da screenshot e riferimenti di design, le pagine sono diventate più leggibili, più strutturate e più intenzionali dal punto di vista visivo.
Combinato con il costo inferiore, ciò rende i modelli open-source una scelta pratica per questo tipo di flusso di lavoro. Se riesci a dare al modello input migliori e iterare a basso costo, puoi ottenere risultati sorprendentemente buoni.
Puoi provare modelli open-source come Kimi K2.7 Code su together.ai.
