评测指南
Kimi K3 评测解读：分数、Harness 与注意事项
K3 的首发分数很强，但基准测试是一套测量系统，而不是万能排名。Agent harness、工具、上下文管理与采样方式，可能和基础模型选择一样影响结果。
01
K3 max 代表性结果
首发博客中的 K3 结果使用 max 推理、temperature 1.0、top-p 1.0。以下数字用于观察能力轮廓，跨模型比较前必须阅读各基准脚注。
| 基准 | 领域 | K3 max |
|---|---|---|
| Terminal-Bench 2.1 | 编程 | 88.3 |
| FrontierSWE | 编程 | 81.2 |
| BrowseComp | Agent 浏览 | 91.2 |
| GPQA-Diamond | 推理 | 93.5 |
| MMMU-Pro | 多模态 | 81.6 |
| OmniDocBench | 文档视觉 | 91.1 |
02
为什么 Harness 很重要
同一个编程模型通过 Kimi Code、Claude Code 或 Codex 评测时，会面对不同提示词、工具、上下文策略与重试行为。Kimi 的脚注明确标注了各编程基准使用的 harness，并未把所有数字包装成纯模型分数。
BrowseComp 也是典型例子：首发报告对某项结果说明了上下文压缩策略，同时另列出 1M 上下文、无上下文管理的结果。这是重要的工程信息，而不是无关紧要的脚注。
03
如何为自己的任务评测 K3
建立一组小规模真实私有任务，固定客户端和工具配置，同时衡量结果质量与运行成本。长程模型还应测试工具报错恢复、指令遵循和人工介入频率。
- 所有模型使用相同 harness、工具和时间预算。
- 对采样方差较大的任务进行多次试验。
- 记录成功率、延迟、token 成本与人工纠正次数。
- 将厂商公布结果与自有测量数据分开保存。
04
常见问题
Kimi K3 的评测分数是独立验证的吗？
首发页面同时包含 Kimi 自测、官方排行榜值和引用的第三方结果。把某项结果视为独立复现前，应先阅读对应脚注。
K3 max 是什么意思？
它指 K3 在首发评测配置中使用最大推理力度运行。
官方来源
本文优先依据 Kimi 与 Moonshot AI 官方资料；产品权限与价格可能更新，请以链接页面的实时信息为准。