Ulasan pihak ketiga: tugas Kimi K3 Agent mendekati Fable 5, tetapi juga makin banyak halusinasi

据动察 Beating 监测,Artificial Analysis 发布 Kimi K3 独立评测。它在 Intelligence Index v4.1 获 57 分。整体水平与 Claude Opus 4.8、GPT-5.5 相当,仍低于 Claude Fable 5 和 GPT-5.6 Sol。这个综合指数由 9 项测试组成,覆盖真实工作、工具调用、编程、推理、知识和长上下文。

Kimi K3 的 Agent 表现更突出。它在真实工作测试 GDPval-AA v2 获 1668 Elo,超过 Opus 4.8、GPT-5.5 和 GLM-5.2。自动化 SaaS 工作流测试得分 53%,排名第一。长流程知识工作排名第二,仅次于 Fable 5。

在这套指数中,Kimi K3 平均每项任务成本 0,94 dolar AS。GPT-5.6 Sol 为 1,04 dolar AS,Opus 4.8 为 1,80 dolar AS。不过,它在知识可靠性测试中的幻觉率从 39% 升至 51%,准确率则从 33% 升至 46%。
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
  • Hadiah
  • Komentar
  • Posting ulang
  • Bagikan
Komentar
Tambahkan komentar
Tambahkan komentar
Tidak ada komentar
  • Disematkan