Đánh giá bên thứ ba: tác vụ của Kimi K3 Agent tiến sát Fable 5, nhưng cũng có nhiều ảo giác hơn

Theo dõi Beating của AI Intelligence, Artificial Analysis công bố bài đánh giá độc lập Kimi K3. Nó đạt 57 điểm trong Intelligence Index v4.1. Mức tổng thể tương đương Claude Opus 4.8 và GPT-5.5, nhưng vẫn thấp hơn Claude Fable 5 và GPT-5.6 Sol. Chỉ số tổng hợp này gồm 9 bài kiểm tra, bao phủ công việc thực tế, gọi công cụ, lập trình, suy luận, kiến thức và ngữ cảnh dài.

Kimi K3 có màn trình diễn Agent nổi bật hơn. Trong bài kiểm tra công việc thực tế GDPval-AA v2, nó đạt 1668 Elo, vượt Opus 4.8, GPT-5.5 và GLM-5.2. Điểm trong bài kiểm tra quy trình làm việc tự động hóa SaaS đạt 53%, xếp hạng số 1. Công việc kiến thức theo chuỗi dài xếp thứ hai, chỉ sau Fable 5.

Trong bộ chỉ số này, Kimi K3 có chi phí trung bình cho mỗi tác vụ là 0,94 USD. GPT-5.6 Sol là 1,04 USD, Opus 4.8 là 1,80 USD. Tuy nhiên, tỷ lệ ảo giác trong bài kiểm tra độ tin cậy kiến thức tăng từ 39% lên 51%, còn độ chính xác tăng từ 33% lên 46%.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
  • Phần thưởng
  • Bình luận
  • Đăng lại
  • Retweed
Bình luận
Thêm một bình luận
Thêm một bình luận
Không có bình luận
  • Đã ghim