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。
「模型」频道最新
- AI 日报:传 OpenAI GPT-Live-1 上 API,Pro 订阅暂停新注册 — koltregaskes · 2026-09-11
- 同题 Echo Maze 实测:三大模型看似成功,代码里藏着同一个 bug — eyishazyer · 2026-09-11
- 新基准一出分数暴跌 70 点:「刷榜」现象如何让跑分失真 — airesearch12 · 2026-09-11
- ChatGPT 竟劝用户「问题太复杂,去试试更笨的回答」 — phido3000 · 2026-09-11
- 有人要建全模型基准分数汇总页 — airesearch12 · 2026-09-11
- 爆料称 Kimi 疑似转发 Claude 冒充自家成绩，DeepSeek 新模型评测反超 — realsohamparekh · 2026-09-11