MCPMark
真实 MCP 服务的 CRUD 压力测试（本条为 Kimi K2.6 行登记的 id，与既有 mcp-mark 实体同指）
基本信息
30 秒看懂
真实 MCP 服务上的 CRUD 压力任务，pass@1 口径、分数越低说明压力测试越狠；Kimi K2.6 读 55.9（同表 GPT-5.4 62.5* / Opus 4.6 56.7* / Gemini 3.1 Pro 55.9* / K2.5 29.5）——分数低是压力测试设计使然，不是模型退化。
采用格局：与本仓既有 mcp-mark 实体同指 MCPMark——本 id 由 Kimi K2.6 发布页行登记，合并留待数据卫生轮处理
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
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
2026-04-20
Moonshot AI / Kimi·国内
上下文256K模态文本·图像
Kimi K2.6 是月之暗面的开源编码旗舰（Advancing Open-Source Coding），主打长程编码与代理蜂群（300 子代理 / 4000 步）。评测横跨编码、代理、数学与视觉：SWE-bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0（Terminus-2）66.7、HLE-Full w/ tools 54.0。
开源权重编码增强代理蜂群多模态
查看模型变体与证据
MCPMark 55.9
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
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。