DECK-Bench（Kimi 内部评测）
Kimi K3 发布页标注 Internal 的 deck/slides 生成评测
基本信息
30 秒看懂
厂商自报内部评测：K3 读 73.5（同表竞品 Fable 5 73.0 / GPT-5.6 Sol 74.7 / Opus 4.8 66.9）；发布页标注 Internal——任务构成与判分口径未公开。与公开的 DECKBench（学术幻灯片生成，arXiv 2602.13318）是否同指未确证。
采用格局：Moonshot AI Kimi K3 发布页登记行（DECK-Bench (Internal)）
评分协议
Kimi K3 发布页 Full Benchmark Table / Agentic 组；reasoning effort max，temperature 1，top_p 1
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-07
Moonshot AI / Kimi·国内
上下文1M模态文本·图像
Kimi K3 以「Open Frontier Intelligence」为定位发布（权重承诺 2026-07-27 前开源），评测统一 reasoning effort=max、temperature=1.0。已收录 35 项以上评测覆盖编码、Agent、搜索与多模态：亮点 Terminal-Bench 2.1 88.3、BrowseComp（1M 上下文）90.4。
开源权重推理增强1M 长上下文Agentic
查看模型变体与证据
Internal 73.5
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。