Kimi K3 榜单很强，真实工程测试却暴露可靠性差距
Cole Medin · youtube · 2026-07-24
这支 YouTube 视频把 Kimi K3 拿来和 Opus 4.8、Kimi K2.7 做真实工程任务测试，结论是：公开 benchmark 里的高分，未必等于实际开发中的稳定表现。
视频里的主要观点包括：
- Kimi K3 在 benchmark 上看起来非常强，甚至像是接近或超过顶级闭源模型。
- 但在真实工程任务中，它仍有一些可靠性失败模式，而这类问题往往不会被公开榜单完整捕捉。
- 在简单任务上，K3 大致可以和 Opus 打平；但任务复杂后，Opus 会拉开差距。
- 作者认为开源权重模型仍然很有价值，适合作为混合模型工作流里的“主力干活机”。
- 视频附带了开源的 benchmark 仓库、评分 rubric、提示词和 harness，方便别人复现。
视频中还提到一个很醒目的结果：失败率 8% 对 36%，作者用它说明基准设计比榜单标题更重要。
「模型」频道最新
- 网友发现 Claude 疑似上线专用翻译界面 — BLCNYY · 2026-10-26
- 用户实测 GrokBot:订机票、网购全被拦,几乎办不成事 — lucasmeijer · 2026-10-26
- 售卖机基准新观察：Sol 5.6 被指最激进、最常违约 — xuanalogue · 2026-10-26
- 爆料称 Fable 5.5 每周将发，博主泼冷水：本月无前沿新模型 — patience_cave · 2026-10-26
- 实测 abliterated 去审查模型翻车:模型反而关心起我的心理健康 — ryunuck · 2026-10-26
- OpenAI Decisions API 升级：单次可处理 400 个问题并新增语音与图像能力 — OpenAIDevs · 2026-10-26