Kimi K3 与 Fable 失败模式很像

ZainHasan6 · x · 2026-07-18

图中对比了 **Kimi K3 max** 和 **Fable 5 xhigh** 的失败分布，结论是两者的“失败指纹”几乎一样： - 都有约 **65%** 的失败属于 near miss（接近正确但没达标）。 - 都明显更倾向于“保护基线”，即很少把已有测试套件搞坏。 - 过去一些开源模型常见的“会破坏 baseline”问题，在这组模型上不明显了。 - 回复里还提到，Kimi K3 与 Fable 的逐任务相关性达到 **0.72**，说明两者行为高度相似，可能意味着 benchmark 正在趋于饱和。