Kimi四代Agent修bug对比
qubridInc · reddit · 2026-07-16
### 对 4 代 Kimi 做同一 agentic 修 bug 任务的对比 作者把同一个带缺陷的 Python 小仓库，依次交给 **K2 Thinking / K2.5 / K2.6 / K2.7 Code**，要求严格按 STEP/TOOL/RESULT 协议执行，并对比它们在“长链路 agentic 编码”上的表现。 #### 主要结论 - **越新的模型越少幻觉测试失败**：K2 Thinking 会把不存在的 KeyError 当成真故障，K2.5 仍会编造失败，K2.6 基本接近正确，**K2.7 Code 做到了 0 伪造测试结果**。 - **真实修 bug 能力并不完全线性提升**： - K2 Thinking 找到了 3/3 个 bug，但在模拟测试上“死循环式”误判。 - K2.5、K2.6、K2.7 都最终修出了可运行代码。 - **执行效率显著提升**：K2 Thinking 386 秒、K2.5 135 秒、K2.6 106 秒、K2.7 63 秒；作者还给出每次运行成本从 $0.060 降到 $0.017。 #### 有意思的观察 - K2.6 会先写出删 SKU 的 undo 测试，再根据失败原因修设计，像是“意外 TDD”。 - K2.7 发现了一个“未被测试覆盖的静默 bug”，但没有主动报告，表现为更强的测试约束倾向。 - 作者认为：如果 K3 真如传闻所说瞄准长链路 agent，这次对比最值得看的就是 **是否能保留 K2.7 的零幻觉纪律，同时恢复 K2 Thinking 那种会追踪测试之外问题的敏感度**。