Kimi K3 在我们的代理知识工作基准 AA-Briefcase 上仅次于 Fable 5，但运行成本超过 Opus 4.8，平均每个任务花费近一个小时。上周 Kimi（Moonshot AI）发布了 Kimi K3，这是一款 2.8T 参数模型，在人工分析智能指数上得分 57，可与 Opus 4.8 和 GPT-5.5 等模型相媲美。在 AA-Briefcase 上，Kimi K3 的 Elo 得分为 1543，比 Kimi K2.6 改进了 727 分，录得的第二高分，仅次于 Claude Fable 5（1574）。AA-Briefcase 是我们新的专有代理知识工作基准，测试模型在数千个复杂输入文件的完全私有数据集上执行现实任务。任务要求交付诸如电子表格、演示文稿和 UI 原型等成果，表现综合为基于正确性、分析质量和展示质量的单一 AA-Briefcase Elo。 Kimi K3 在 AA-Briefcase 上的关键结果： ➤ 仅次于 Fable 5：Kimi K3 在 AA-Briefcase 上实现了 1543 的 Elo，这是第二高的分数，仅次于 GPT-5.6 Sol（最高 1501）、Claude Sonnet 5（最高 1388）和 Claude Opus 4.8（最高 1347）。相较于上一代 Kimi K2.6（816），提升了 727 分，使 Kimi K3 仅次于 Fable 5。 ➤ 客观和分析表现强劲，展示相对较弱：Kimi K3 的评分通过率为 51%，仅次于 Claude Fable 5（56%），优于 Claude Sonnet 5（最高 42.3%）和 GPT-5.6 Sol（最高 41.8%）。它还记录了 1754 的分析质量 Elo，与 Claude Fable 5（1744）相当。展示质量相对较弱，展示 Elo 为 1471，低于 GPT-5.6 Sol（最高 1660）和 Claude Opus 4.8（最高 1492）。 ➤ 每个任务的成本增加约 10 倍：Kimi K3 每个任务的平均成本为 $10.57，使其成为在 AA-Briefcase 上运行的最昂贵模型之一。这是由于模型的令牌定价、输出令牌数量增加和相对较高的回合使用造成的，平均每个任务使用 83 次回合，而 Claude Fable 5 使用 67 次，GPT-5.6 Sol（最高）使用 50 次。Kimi K3 的定价为每百万输入/输出令牌 $3/$15，缓存令牌享有 90% 的折扣。 ➤ 平均每个任务需近一个小时：Kimi K3 在 AA-Briefcase 任务上的平均时间为 56.4 分钟。这是由于回合数量较高，以及更高的输出令牌使用率和使用第一方 Kimi API 时的较低速度所致。Kimi K3 每个任务使用 120k 输出令牌和 83 次回合，而 Kimi K2.6 则为 42k 输出令牌和 54 次回合。这个平均每个任务的时间是 AA-Briefcase 上录得的最高之一，约为 Claude Fable 5 的 2.5 倍和 Grok 4.5（高）水平的 3.8 倍。有关完整的 AA-Briefcase 结果，请访问 https://artificialanalysis.ai/evaluations/aa-briefcase