Kimi K3 的 benchmark 出现了三组不同信号。Moonshot AI 的官方表覆盖 35 项编程、Agent、推理和视觉测试；Arena 的用户盲选榜单把 K3 放到前端开发第 1、综合文本第 9；Artificial Analysis 的独立综合评测给出 57 分，排在 189 个同类模型中的第 4 位。
这些数字支持一个具体判断：K3 已经进入前沿模型区间，优势集中在前端生成、长程编程、搜索与自动化 Agent。它没有在通用推理和所有专业 Agent 任务上全面领先，Claude Fable 5 与 GPT-5.6 Sol 仍拿走了多项最高分。
Kimi K3 Benchmark 的整体结论
在 Moonshot AI 列出的六模型对照中，K3 在 35 项测试里有 7 项单独领先，另有 1 项并列领先。单独领先的项目包括 Program Bench、SWE Marathon、BrowseComp、DeepSearchQA、Automation Bench、SpreadsheetBench 2 和 OmniDocBench；ZeroBench_main 与 Claude Fable 5 同为 23.0。
这项计数只描述官方表内的相对名次，不等于覆盖所有公开模型的全球排名。更有参考价值的是能力分布：K3 在需要持续调用工具、浏览、改代码或生成完整交付物的任务上得分很高，HLE、Toolathlon-Verified 和 APEX-Agents 等项目则留下明显差距。
编程和 Agent Benchmark 的强项
| Benchmark | Kimi K3 | 表内最佳对手 | K3 表内位置 |
|---|---|---|---|
| Program Bench | 77.8 | GPT-5.6 Sol 77.6 | 第 1 |
| Terminal-Bench 2.1 | 88.3 | GPT-5.6 Sol 88.8 | 第 2 |
| FrontierSWE | 81.2 | Claude Fable 5 86.6 | 第 2 |
| SWE Marathon | 42.0 | Claude Opus 4.8 40.0 | 第 1 |
| BrowseComp | 91.2 | GPT-5.6 Sol 90.4 | 第 1 |
| DeepSearchQA | 95.0 | Claude Fable 5 94.2 | 第 1 |
| Automation Bench | 30.8 | GPT-5.6 Sol 29.7 | 第 1 |
| SpreadsheetBench 2 | 34.8 | Claude Fable 5 34.7 | 第 1 |
| GDPval-AA v2 | 1668 Elo | Claude Fable 5 1760 | 第 3 |
Terminal-Bench 2.1 的 88.3 与榜首只差 0.5 分，FrontierSWE 的 81.2 也高于 GPT-5.6 Sol、Claude Opus 4.8、GPT-5.5 和 GLM-5.2。SWE Marathon 的 42.0 则超过表内所有对手，说明 K3 在持续时间更长的软件工程轨迹中保持了竞争力。
Agent 结果没有形成单边优势。K3 在 BrowseComp、DeepSearchQA 和 Automation Bench 居首，但 Toolathlon-Verified 只有 73.2，排在六个模型中的第 5；APEX-Agents 为 37.6，同样排第 5。模型擅长搜索和工作流执行，不代表所有跨应用、强约束 Agent 任务都稳定。
推理与视觉 Benchmark 的能力边界
推理项目显示出更清楚的上限。GPQA-Diamond 为 93.5，低于 GPT-5.6 Sol 的 94.1；HLE-Full 为 43.5，落后 Claude Fable 5 的 53.3、Claude Opus 4.8 的 49.8 和 GPT-5.6 Sol 的 44.5。加入工具后，K3 的 HLE 得分升到 56.0，仍低于前三名。
视觉能力整体靠前，冠军项较少。K3 在 MMMU-Pro 得到 81.6，低于 GPT-5.6 Sol 的 83.0；MathVision 为 94.3，低于 GPT-5.6 Sol 和 Claude Fable 5。文档视觉是突出项，OmniDocBench 91.1 位列官方表第 1。
| Benchmark | Kimi K3 | 表内最高分 | 结论 |
|---|---|---|---|
| GPQA-Diamond | 93.5 | GPT-5.6 Sol 94.1 | 接近榜首 |
| HLE-Full | 43.5 | Claude Fable 5 53.3 | 差距明显 |
| HLE-Full with tools | 56.0 | Claude Fable 5 63.0 | 工具提高 12.5 分 |
| MMMU-Pro | 81.6 | GPT-5.6 Sol 83.0 | 第二梯队前部 |
| MathVision | 94.3 | GPT-5.6 Sol 95.8 | 接近头部 |
| OmniDocBench | 91.1 | Kimi K3 91.1 | 表内第 1 |
第三方 Benchmark 提供了哪些支持？
Arena 在 2026 年 7 月 16 日的 Code Arena WebDev Overall 榜单中将 Kimi K3 排在第 1，分数为 1679±17，高于 Claude Fable 5 的 1631±13 和 GPT-5.6 Sol 的 1618±13。K3 当时只有 1,757 票，榜单标注为 Preliminary，领先幅度需要随投票量继续观察。
同一天的 Text Arena Overall 中，K3 以 1486±11 排第 9，与 Gemini 3 Pro 和 GPT-5.6 Sol xhigh 处在同一分数附近。前端第 1 与文本第 9 的差异，说明它在可视化网页生成上的优势比开放式文本对话更突出。
Artificial Analysis 给 K3 的 Intelligence Index 打出 57 分，排名第 4；实测输出速度为 62 token/s，首 token 延迟为 1.99 秒。该机构还记录到 K3 完成整套 Intelligence Index 时生成了约 1.30 亿输出 token，接近同价位推理模型中位数 6300 万的两倍。高分伴随较慢速度和较高 token 消耗，生产成本不能只看标价。
跑分横向比较的五个限制
官方表已经披露了几项会影响可比性的测试条件：
- Harness 不统一：K3 常用 Kimi Code，Claude 模型常用 Claude Code，GPT 模型常用 Codex。Agent harness 会影响工具调用、上下文管理和任务完成率。
- 推理档位不同：K3 使用 max reasoning effort、temperature 1.0 和 top-p 1.0；GPT-5.5 使用 xhigh，其他模型也按各自最高档位运行。
- 混有内部测试：Kimi Code Bench 2.0、DECK-Bench 和 PerceptionBench 含内部或自建评测，外部复现资料有限。
- AutomationBench 存在两套口径：Moonshot 表中的 30.8 与 Artificial Analysis 的 AutomationBench-AA 52.7 使用不同计分实现，不能直接看成同一分数的前后变化。
- 开放权重仍待兑现：截至 7 月 17 日，完整权重计划在 7 月 27 日前发布。Arena 与 Artificial Analysis 暂时把 K3 标记为 proprietary，这个分类会在权重和许可证落地后才有条件调整。
Kimi K3 的费用与性价比
官方 API 价格为每百万 token 缓存命中输入 0.30 美元、未命中输入 3 美元、输出 15 美元。下面统一假设一次任务消耗 100 万输入 token 与 20 万输出 token，全部输入未命中缓存，不计工具调用费和超长上下文加价。
| 模型 | 输入价 / MTok | 输出价 / MTok | 统一任务费用 |
|---|---|---|---|
| Kimi K3 | $3.00 | $15.00 | $6.00 |
| Claude Fable 5 | $10.00 | $50.00 | $20.00 |
| GPT-5.6 Sol | $5.00 | $30.00 | $11.00 |
| GLM-5.2 | $1.40 | $4.40 | $2.28 |
在这个无缓存口径下，K3 比 Claude Fable 5 便宜 70%，比 GPT-5.6 Sol 便宜约 45%；它的费用约为 GLM-5.2 的 2.63 倍。Moonshot AI 称编程负载的缓存命中率超过 90%。若 K3 的 100 万输入中有 90% 命中缓存，同一任务的估算费用会降到 3.57 美元。这项缓存估算只用于说明 K3 自身的价格曲线，跨厂商对比仍需纳入各家的缓存写入、读取和长上下文规则。
官方跑分中的价格—性能交换
| 对手 | K3 在可比项目中的结果 | 统一任务费用对比 | 性价比判断 |
|---|---|---|---|
| Claude Fable 5 | 12 胜、22 负、1 平 | $6 vs $20 | Fable 5 整体胜项更多；K3 以约三成费用覆盖部分前沿任务 |
| GPT-5.6 Sol | 19 胜、14 负、1 平 | $6 vs $11 | K3 在表内胜项更多，费用低约 45% |
| GLM-5.2 | 19 胜、0 负 | $6 vs $2.28 | K3 能力优势明显；GLM-5.2 保留最低成本优势 |
这些胜负数来自 Moonshot AI 的六模型表，仍受不同 harness 与内部 benchmark 影响。它们适合观察大致的价格—能力位置，不能替代同一业务任务、同一工具链下的成本测试。
K3 的性价比处在两个价格层之间。需要接近前沿的前端开发、长程 coding、搜索型 Agent 和文档视觉处理时，它比 Fable 5 与 Sol 便宜不少；预算压到最低、任务允许能力回退时，GLM-5.2 的 token 单价更低。通用推理、严格边界下的跨应用 Agent，以及长会话稳定性仍需要独立复测，特别是在模型权重、技术报告和更大样本量的 Arena 结果发布之后。