Kimi K3

以下是截至 2026-08-15 的发布后历史明细，保留当时题目、权重和排名。2026-09-05 的当前定位见页首与上方卡片；旧综合分不用于排列 Fable 5.1、Astra 等新版。

历史 AA v4.1.1 把 K3 列为 Intelligence Index 60，位于当时 Opus 5、Fable 5 以及几乎同分的 Sol / Grok 4.6 之后。60 不是百分制，也不等于真实世界 IQ。

AA-Briefcase 的发布拆解给 K3 约 1543 Elo、51% 客观规则通过率、分析质量 Elo 1754、呈现质量 Elo 1471。平均每项任务 $10.57、56.4 分钟、120k 输出 token 和 83 轮，说明 $3 / $15 的挂牌价不保证真实任务便宜或快。

AA 的其他发布后拆解同时显示强代理能力与事实风险：GDPval-AA v2 Elo 1668、AutomationBench-AA 53%；AA-Omniscience 准确率约 46%、幻觉率约 51%。重要事实仍必须保留引用核验。

历史 Vals 已收录精确型号 kimi/kimi-k3：Vals Index 74.70%±0.96，当时 #3/40；SWE-bench Verified 93.40%（第 4）、Vibe Code 84.96%（第 3）。当时 Opus 5 为 74.82%±1.35，误差区间重叠，不支持稳定区分。

Vals Index v1.2 使用私有题与经济权重：Finance 2.0、Coding 1.4；Coding 内 SWE-bench 子集和完整 Terminal-Bench 各占 25%，22 个 Vibe Code 任务占 50%。页面误差是 SEM，不覆盖提示词、随机种子、部署设置或生成随机性。

DeepSWE v1.1 用同一 mini-swe-agent 跑 113 个原创、长程代码任务：K3 max 为 69%±5，平均 $4.65、81k 输出 token、98 个步骤；Opus 5 max 74%±4、Sol max 73%±3。区间重叠，不能宣布唯一代码冠军。

Arena 文本总榜已列出 kimi-k3：1486±10，暂列第 10，约 3,619 票，标记为 Preliminary；当前排名区间仍较宽，不能解释成稳定胜出。

Arena Code 的早期分类榜中，K3 暂列 WebDev Overall 第 1（1679±17、1,757 票）、React 第 1（1692±22、1,223 票），HTML 第 2（1635±54、仅 154 票）。这支持“网页与视觉编程突出”，但误差和 Preliminary 状态决定它还不是生产工程冠军证明。

LiveBench 官方仓库和 Terminal-Bench 官方主页仍未找到 K3 独立提交；Vals 与 AA 内部运行的 Terminal-Bench 结果必须保留各自 harness，不能冒充官方榜新增了两个独立提交。

Moonshot 技术博客现已公开完整厂商自报表，并注明 KimiCode、Claude Code、Codex 等不同 harness；这比早期撤下截图完整，但仍是厂商组织的测试，不能替代 AA、Vals 或 Arena。

CursorBench 3.2 的同一模糊多文件任务中，K3 max 为 60.8% / $2.70，high 为 59.7% / $1.89；Opus 5 max 为 70.0%、Sol max 为 67.2%。这补足了 K3 的日常多文件工程边界：已经可用，但不是该轨道的领先者。

UK AISI 与美国 CAISI 的初步网络安全评估显示：K3 在 ExploitBench 为 32%、高于 GLM-5.2 的 24%，但低于领先闭源模型，41 个样本中没有完成任意代码执行；模拟企业攻击平均走到 32 步中的第 17 步。它不是当前高风险网络安全任务的优先模型。

Design Arena 的更新记录已确认 7 月 16 日加入 kimi-k3，但公开页面尚无稳定可引用的 K3 分数；它只能证明设计对比已经开始，不能作为新的正式名次。匿名测试名 Kivine 与正式 K3 的关系仍未获 Moonshot 或 Arena 明确确认。

Moonshot 自己的基准测试指南建议推理测试总题量至少达到 500—1000 题、代码测试把 max token 预算设到 256K。现有少量 Demo 远低于这个规模，因此只能用于发现强项和失败模式，不能替代正式排名。