Composite-Bench 发布可验证电脑使用评测，GLM-5.2 领先 Kimi K3 32 分

davidtsong · x · 2026-07-24

• 这条引用里提到发布了新的长程电脑使用基准 Composite-Bench，特点是有 certified-optimal answers 和 verified compute，更强调评测的可验证性。
• 同时给出了模型对比结果：GLM-5.2 被称为比 Kimi K3 高 32 分，并且在测试过的闭源模型里，除了 Claude 之外都更强。
• 原帖作者的态度是“很高兴看到更多 CUA benchmarks 和 evals”，核心信息是电脑使用/智能体评测正在变得更系统。

原文链接 →

「模型」频道最新

• Grok 和 Claude 被网友拟人成了 Elon 和 Dario — kevinnbass · 2026-07-24
• Kimi K3 深度研究评测胜出，但成本是 GLM 5.2 的 5 倍 — AravSrinivas · 2026-07-24
• 有人把 Kimi K3 和 Claude Fable5 评为前端审美前二 — vista8 · 2026-07-24
• Celeris-1 上线：扩散式推理、157ms 延迟、MMLU-Pro 76% — timshi_ai · 2026-07-24
• 两段提示词复刻谷歌3D地球，开发者实测 Kimi K3 — DuRuofei · 2026-07-24
• Kimi 演示称 1.5 小时重建了 Google Maps 3D 体验 — shakoistsLog · 2026-07-24

更多「模型」频道 AI 资讯 →