Gemma 4 指南
Kimi K3 Benchmark：实际表现如何
Kimi K3 Benchmark：实际表现如何
Kimi K3 于 2026 年 7 月 16 日发布，数小时内就从 #18 跳到 LMArena Frontend Code Arena 的 #1，超越 Claude Fable 5。它还在 Artificial Analysis Intelligence Index 上取得高于 Claude Opus 4.8 的分数。仅这两个事实就解释了发布周的大部分噪音——但单一 leaderboard 位置无法替代真正理解模型强在哪里、弱在哪里，以及差距有多少是真实的、有多少是 benchmark harness 噪音。
本文按类别拆解 Kimi K3 的 benchmark 表现，来源包括 Moonshot 自有材料和 Artificial Analysis 的独立评估，并在你基于任何数字做决策之前，说明重要的方法论 caveat。
快速结论
- Artificial Analysis Intelligence Index v4.1： Kimi K3 得分 57，高于 Claude Opus 4.8（56），低于 Claude Fable 5（60）。
- 前端 coding（LMArena Frontend Code Arena）： Kimi K3 为 #1，在 7 个前端 domain 中 6 个排名第一，已超越 Claude Fable 5。
- Agentic 推理（GDPval-AA v2）： Kimi K3 得分 ~1,687，高于 Claude Opus 4.8（1,600），但低于 Claude Fable 5 Max（~1,815）和 GPT-5.6 Sol Max（~1,748）。
- Head-to-head vs Claude Fable 5： 在双方 vendor 报告的 benchmark 中，Fable 5 约赢 14 项中的 8 项，K3 约赢 6 项——包括长时程 agentic coding、BrowseComp 和 Terminal-Bench 2.1。
- Head-to-head vs Claude Opus 4.8： Kimi K3 在 10 项对比 benchmark 中领先 7 项（含 BrowseComp、FrontierSWE、GDPval-AA 和 Toolathlon）；Opus 4.8 仍在 GPQA Diamond、Humanity's Last Exam 和 OfficeQA Pro 上领先。
- 速度： K3 生成约 62 tokens/sec，~2 秒 time-to-first-token，明显快于 Opus 4.8 的 max-effort 推理模式。
- Caveat： 这些数字才几天，多数为 vendor 或单一 aggregator 报告，且在特定评估设置下运行（reasoning effort 设为「max」，temperature 1.0，top-p 1.0）。请将其视为强 early signal，而非 settled verdict。
核心数字：Artificial Analysis Intelligence Index
Artificial Analysis 将九项评估——包括 GDPval-AA v2、Terminal-Bench 2.1、SciCode、Humanity's Last Exam、GPQA Diamond 和长上下文推理测试——合并为单一 Intelligence Index 分数。
| Model | AA Intelligence Index v4.1 |
|---|---|
| Claude Fable 5 (Adaptive, Max effort) | 60 |
| Kimi K3 (max reasoning effort) | 57 |
| Claude Opus 4.8 (Adaptive, Max effort) | 56 |
真正重要的结论：K3 不是市场上最聪明的模型，但它在 frontier 几分之内，而 cost-per-task 仅为 Fable 5 或 Opus 4.8 的一小部分。对大多数生产用例，「接近 frontier、便宜很多」胜过「略超 frontier、昂贵」——但并非总是如此，这就是为什么下面的类别拆解比单一 composite 数字更重要。
Agentic 与长时程 benchmark
这是 K3 真正强的领域，也是 Moonshot 明显优化过的方向。
GDPval-AA v2
衡量模型在 realistic、经济价值知识工作上表现的 private agentic benchmark。
| Model | GDPval-AA v2 (Elo) |
|---|---|
| Claude Fable 5 Max | ~1,815 |
| GPT-5.6 Sol Max | ~1,748 |
| Kimi K3 | ~1,687 |
| Claude Opus 4.8 | 1,600 |
K3 总体排名第三——落后于两个最昂贵的闭源 frontier 模型，但明显领先 Opus 4.8。
AA-Briefcase（agentic 知识工作）
| Model | AA-Briefcase (Elo) |
|---|---|
| Claude Fable 5 Max | ~1,587 |
| Kimi K3 | ~1,527 |
| GPT-5.6 Sol Max | ~1,495 |
此处 K3 升至 第二名，超过 GPT-5.6 Sol Max。
BrowseComp（agentic 网页研究）
K3 在 BrowseComp 上领先 Claude Fable 5——Moonshot 最清晰的 win 之一，如果你的 workload 涉及自主研究或多步网页导航，这很有意义。
Coding benchmark
| Benchmark | Kimi K3 |
|---|---|
| Terminal-Bench 2.1 | 88.3 |
| FrontierSWE | 81.2 |
| Program Bench | 77.8 |
| DeepSWE | 67.5 |
| SWE Marathon | 42.0 |
关于 SWE Marathon 的说明：低绝对分（42.0）不代表模型弱——它是最难的长时程 coding benchmark 之一，每个 frontier 模型的绝对分都很低。重要的是对比：K3 在 SWE Marathon 上领先 Claude Fable 5 约 7 分，在这个难度级别是有意义的 margin。
LMArena Frontend Code Arena
这是发布日 attention 最多的 benchmark，与上述 vendor-reported 数字不同，它是 crowd-voted、独立运行的 leaderboard。Kimi K3 发布数小时内从 #18 到 #1，得分 1,679，在 7 个前端 domain 中 6 个排名第一，超越 Claude Fable 5。
由于是 community-voted 而非固定 test set，更难通过 training-set overlap 来 game——这使它成为整个发布中最 credible 的信号之一，而不只是最 loud 的。
Head-to-head：Kimi K3 vs Claude Opus 4.8
在双方 commonly 评估的 benchmark 中：
Kimi K3 领先： BrowseComp、CharXiv-R、DeepSearchQA、FrontierSWE、GDPval-AA、MCP Atlas、Toolathlon（7 项 benchmark）
Claude Opus 4.8 领先： GPQA Diamond、Humanity's Last Exam、OfficeQA Pro（3 项 benchmark）
模式一致：K3 在 agentic、tool-using 和 coding-adjacent 任务上赢；Opus 4.8 在 纯学术推理和 knowledge-heavy 任务上赢。如果你的产品更像 agent 而非 quiz-taker，这个模式 favor K3。
Head-to-head：Kimi K3 vs Claude Fable 5
Fable 5 是较新、更强的 Claude 模型，表现可见：在 14 项 shared benchmark 中，Fable 5 约赢 8 项，包括 FrontierSWE 上 5.4 分的 win 和两个 visual-reasoning suite 的 sweep。Kimi K3 约赢 6 项，包括 SWE Marathon（约 7 分）、BrowseComp 和 Terminal-Bench 2.1。
完整对比（含定价和按 workload 的建议）见 Kimi K3 vs Claude：Fable 5 与 Opus 4.8 对比。
速度与延迟
Benchmark 衡量正确性；对许多真实应用，延迟同样重要。
| Metric | Kimi K3 | Claude Opus 4.8 (Max effort) |
|---|---|---|
| Output speed | ~62 tokens/sec | ~56 tokens/sec |
| Time to first token | ~1.99s | ~34.49s |
首 token 延迟差距对用户可见的产品更关键——Opus 4.8 的 max-reasoning-effort 模式在首个 token 出现前会花很长时间「思考」，而 K3 的 always-on thinking mode 调优为更快开始流式输出。如果你在构建任何有可见加载状态的产品，这个差异用户能直接感受到，而不只是表格里的数字。
方法论 caveat——做决定前请先读
在将上述任何内容视为 gospel 之前，有几件事值得了解：
- Reasoning effort 很重要。 Kimi 报告的结果使用 reasoning effort 设为「max」、temperature 1.0 和 top-p 1.0。不同配置——包括你生产部署的默认设置——可能 meaningfully 移动分数。
- Harness 选择很重要。 Agentic benchmark 通过 harness（Kimi Code、Claude Code、Codex 等）运行，harness 本身——如何处理 retry、context management 和 tool orchestration——独立于底层模型就能 shift 几分。
- 这些数字才几天。 K3 于 2026 年 7 月 16 日发布。部分 circulating 数字（包括上面几项）来自单一 aggregator 或 vendor claim，而非多次独立 replication。随着社区运行更多独立评估，预计部分数字会被 revise，尤其 2026 年 7 月 27 日公开权重发布后，独立团体可以测试实际模型而非托管 API。
- Composite index 隐藏类别表现。 单一 Intelligence Index 数字方便，但 flatten 真实差异——一个 everything mediocre 的模型和一个 coding brilliant 但 trivia weak 的模型可能落在同一 composite 分数。请始终为你的实际用例查看类别 breakdown。
按 workload 的含义
| Workload | K3 benchmark 表现 | Verdict |
|---|---|---|
| 前端 / UI 代码生成 | LMArena Frontend Code Arena #1 | 强选 |
| 长时程自主 coding agent | 领先 SWE Marathon、Terminal-Bench 2.1 | 强选 |
| Agentic 网页研究 | BrowseComp 领先 Fable 5 | 强选 |
| Frontier 软件工程（最难 tier） | FrontierSWE 落后 Fable 5 5.4 分 | 也评估 Fable 5 |
| 学术推理 / 科学 QA | GPQA、HLE 落后 Opus 4.8 | 评估 Opus 4.8 / Fable 5 |
| 规模化 cost-sensitive agent workload | 接近 frontier 分数，价格 fraction | 强选 |
结论
Kimi K3 的 benchmark 故事 genuinely 好，不只是 loud：#1 community-voted coding leaderboard 结果、composite 分数领先 Claude Opus 4.8，以及在 agentic 和 tool-use 类别上的 clear win——对任何构建自主 coding 或 research agent 的人最重要。它不是市场上最 smart 的模型——Claude Fable 5 仍在 frontier engineering 和学术推理上领先——但足够接近、价格足够低，「先测 K3」对大多数 agentic 和 coding workload 是 reasonable default（截至本发布窗口）。
定价方面见 Kimi K3 定价。完整 model-vs-model 拆解见 Kimi K3 vs Claude。
FAQ
Kimi K3 比 Claude Opus 4.8 更好吗？ 在大多数 shared benchmark 上，是的——K3 在 10 项对比评估中领先 7 项，包括 BrowseComp、FrontierSWE 和 GDPval-AA，Artificial Analysis Intelligence Index 也更高（57 vs 56）。Opus 4.8 仍在 GPQA Diamond、Humanity's Last Exam 和 OfficeQA Pro 上领先。
Kimi K3 比 Claude Fable 5 更好吗？ 整体不是——Fable 5 在约 14 项 shared benchmark 中赢约 8 项，Intelligence Index 更高（60 vs 57）。K3 在长时程 agentic coding、BrowseComp 和 Terminal-Bench 2.1 上赢，且 cost-per-task substantially 更低。
Kimi K3 在 Artificial Analysis Intelligence Index 上的分数是多少？ 57，截至 index v4.1 方法论，位于 Claude Opus 4.8（56）和 Claude Fable 5（60）之间。
Kimi K3 真的在 coding leaderboard 上拿到 #1 了吗？ 是的——LMArena 的 Frontend Code Arena，crowd-voted leaderboard，发布数小时内将 K3 排 #1，从 #18 上升，超越 Claude Fable 5，在 7 个前端 domain 中 6 个第一。
Kimi K3 的 benchmark 数字可靠吗？ 它们是 reasonable 的 early signal，但不是 final verdict。多数数字为 vendor-reported 或来自单一独立 aggregator（Artificial Analysis），在特定设置下评估（max reasoning effort）。公开权重发布后，随着更多团体独立测试，预计会 refine。
相关指南
相关阅读
继续沿着 Gemma 4 内容集群往下读，选一个离你当前决策最近的下一篇。
Kimi K3 详解：Moonshot AI 的 2.8T Open-Weight 模型
Moonshot AI 的 Kimi K3 于 2026 年 7 月 16 日发布，是一个 2.8 万亿参数的 open-weight 模型，在多项 benchmark 上超过 Claude Opus 4.8。本文说明它到底是什么、还缺什么，以及今天如何试用。
Kimi K3 定价：API 费用、订阅方案与真正免费的部分
Kimi K3 的 API 为每百万 input tokens $3、每百万 output $15——但 always-on thinking mode 意味着每次调用都要为 reasoning tokens 付费。以下是实际成本。
Kimi K3 vs Claude：Fable 5 与 Opus 4.8 对比
Kimi K3 在价格和多数 benchmark 上超过 Claude Opus 4.8，但 Claude Fable 5 仍在 frontier engineering 上领先。以下是各模型赢在哪里，数据来自 Artificial Analysis 和各 vendor 自有数字。
还没决定下一篇看什么？
回到指南页，按模型对比、本地部署和硬件规划三个方向继续浏览。