Evaluación de terceros: la tarea del agente Kimi K3 se acerca a Fable 5, pero también tiene más alucinaciones

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 美元。GPT-5.6 Sol 为 1.04 美元,Opus 4.8 为 1.80 美元。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%。
Ver original
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
  • Recompensa
  • Comentar
  • Republicar
  • Compartir
Comentar
Añadir un comentario
Añadir un comentario
Sin comentarios
  • Fijado