Job Bench

Kimi K3 发布页 Agentic 组的职业任务评测行（页面仅打印 Job Bench）

基本信息

30 秒看懂

Kimi 自报读分 52.9（同表竞品：Fable 5 57.4 / GPT-5.6 Sol 46.5 / Opus 4.8 48.4 / GPT-5.5 38.3 / GLM-5.2 43.4）；评测定义与题量未随发布公开。注意：本仓另有 jobbench 实体（arXiv 2605.26329，130 个职业委派工作流任务）——两者是否同指未确证，比分前需回溯各发布页脚注。

评分协议

Kimi K3 发布页 Full Benchmark Table / Agentic 组；reasoning effort max，temperature 1，top_p 1

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

Kimi K3

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

Job Bench 52.9

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

相关评测（同类别）

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。