Rampは私的テスト基準SWE-Benchをリリースし、80の実際の生産環境からのバックエンド開発タスクを含み、公開評価データの漏洩と指標の飽和問題を解決することを目的としています。14種類のモデルの横断評価では、Anthropic Claude Fable 5が87.5%でリードし、Claude Opus 4.7とGPT-5.5がともに83.75%で並びました。国内製Kimi K2.6とGLM 5.1の解決率はそれぞれ72.5%と71.25%ですが、Kimi K2.6の平均価格は0.69ドルで、GLM 5.1より約34%安価です。
Kimi K2.6 このコストパフォーマンスはなかなかのものだ、0.69ドルで72.5％までできる、GLMより3分の1安い、国産モデルが本格的に競争し始めている