Kimi K3 在智能知識工作基準測試中擊敗 GPT-5.6 Sol
Artificial Analysis 發佈了 AA-Briefcase 智能知識工作基準測試結果，Kimi K3 以 1547 Elo 排名第一，領先於 GPT-5.6 Sol 的 1495 分。該基準測試模擬真實商業工作流，評估模型在生成電子表格、演示文稿和備忘錄等任務中的表現。
人工智能分析機構 Artificial Analysis 發佈了一項名為 AA-Briefcase 的新型基準測試結果，該測試專注於評估 AI 模型在智能知識工作方面的能力。測試模擬了真實世界的商業工作流，要求模型完成諸如製作電子表格、演示文稿和備忘錄等任務。在最新排名中，Kimi 公司開發的 Kimi K3 模型以 1547 的 Elo 得分位居榜首，擊敗了 OpenAI 的 GPT-5.6 Sol（得分 1495）和 Anthropic 的 Claude Fable 5（得分 1583，但排名第二）。
AA-Briefcase 基準測試包含四個多周的知識工作項目，總計 91 個任務，涉及數千個輸入文件。模型需要在數據科學、產品管理和企業戰略等領域完成專業工作流。每個任務都根據一組標準進行評分，包括是否遵循指令、正確使用證據、得出正確結論，以及交付物的分析質量和呈現質量。
Kimi K3 的表現尤其引人注目，因為它在成本效益方面也表現出色。根據測試數據，Kimi K3 每個任務的平均成本相對較低，同時保持了高水平的性能。相比之下，GPT-5.6 Sol 雖然性能強勁，但成本更高。Claude Fable 5 以 1583 分排名第一，但其成本也相對較高。
該基準測試還提供了按文件類型劃分的詳細結果。Kimi K3 在 Excel 和 PowerPoint 等文件類型上表現出色，展現了其在處理常見辦公任務方面的優勢。此外，Kimi K3 在工具調用效率方面也表現良好，平均每個任務的工具調用次數較少。
總體而言，AA-Briefcase 基準測試為評估 AI 模型在現實知識工作場景中的能力提供了有價值的參考。Kimi K3 的領先地位表明，中國 AI 模型在智能代理工作方面已達到世界領先水平。