聪明世界#66
编程中等
记性262K
便宜$3.0
记性换算成体感：一次能读完一本《三体》
Kimi K 系列的视觉模型 · 按发布时间
共 7 个 · 月之暗面的全部模型 →他的房间
电脑
73.8% · SWE-bench Verified · Epoch AI 统一复跑
书架
4 层 · 记忆 262K tokens
黑板
一块空黑板
日历
知识停在 2025-01
冰箱
支持上下文缓存，能存记忆
敞开的门
开源权重，谁都能进
身世
- 发布日期
- 2026 年 1 月models.dev
- 知识截止
- 2025-01
- 参数量
- 1.0T
- 开放权重
- 是
- 开源许可
- 暂无数据
- 上下文窗口
- 262K tokens
- 单次最大输出
- 262K
- 输入价格
- $0.60 / 百万 tokens
- 输出价格
- $3.00 / 百万 tokens
- 模型类型
- 视觉除了文字还能看图片或视频，输出文字
- 支持的输入
- 图像、文字、视频 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 148.0
- AIME 数学
- 未参评
- GPQA Diamond 科学
- 未参评
- ARC-AGI-2 抽象推理
- 11.8%
- Fiction.liveBench 长文本
- 78.1%
综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录， 不代表它做不到——本站不会用估算值填补空缺。
编程战绩（按赛制分列）
- SWE-bench Verified73.8%从真实 GitHub 仓库里挑出的 500 个 issue，看模型能不能提交出通过测试的补丁。业界最通行的编程标尺。这一列由 Epoch AI 用统一脚手架复跑。第三方实测https://epoch.ai/benchmarks
- 同样是 SWE-bench Verified，但分数来自厂商系统卡或其他榜单的转载，没有经过 Epoch 的统一复跑。第三方实测https://www.swebench.com/
- Terminal-Bench 2.043.2%Terminal-Bench 的第二代题库，任务更长更杂。与 1.0 的分数不可直接比较。第三方实测https://epoch.ai/benchmarks
- CursorBench31.9%在真实 IDE 里做代码编辑的测试，题目来自 Cursor 收集的实际使用场景。第三方实测https://cursor.com/cursorbench
- LiveBench 智能体编程48.3%LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测https://livebench.ai/#/?release=2026-01-08
- LiveBench 编程分项77.9%LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测https://livebench.ai/#/?release=2026-01-08
- ALE-Bench822AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测https://epoch.ai/benchmarks
- SWE-Atlas 代码库问答13.1%给模型一个陌生的大型代码库，问它这段代码在干什么。考的是读代码，不是写代码。第三方实测https://labs.scale.com/leaderboard/sweatlas-qna
- SWE-Atlas 重构20.9%在不改变行为的前提下重构已有代码。第三方实测https://labs.scale.com/leaderboard/sweatlas-refactoring
- SWE-Atlas 写测试25.8%给已有代码补写测试用例。第三方实测https://labs.scale.com/leaderboard/sweatlas-tw
- WebDev Arena1436 Elo让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测https://epoch.ai/benchmarks
这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。
全部成绩（按榜单分列）
名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。
综合
- 综合智力148.0第 66 / 208Epoch Capabilities Index，把十几项学术评测归并成一个总分。想知道「谁最强」，先看这一栏。第三方实测https://epoch.ai/benchmarks
- SimpleBench46.8%第 51 / 103一套普通人能轻松答对、模型却常常答错的常识题。分数越高越少犯「一看就傻」的错。第三方实测https://simple-bench.com/
知识与推理
- HLE 终极考试24.4%第 16 / 58Humanity's Last Exam，各学科专家出的刁钻题，专为难住模型而设计。能过四成就是当今顶尖。第三方实测https://lastexam.ai/
- ARC-AGI-211.8%第 48 / 108看几组图形样例找规律的智力题，人类轻松、模型艰难。专门测「没见过的题会不会做」。第三方实测https://epoch.ai/benchmarks
- ARC-AGI（第一代）65.3%第 51 / 107ARC-AGI 的第一代题库，已被第二代取代。第三方实测https://arcprize.org/
- SimpleQA 事实问答34.3%第 58 / 97一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
- CritPt 物理3.1%第 56 / 163研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
- WeirdML45.6%第 73 / 146一批刻意古怪的小型机器学习任务，模型要自己写代码训练并拿到成绩。考的是解决陌生问题的能力。第三方实测https://htihle.github.io/weirdml.html
智能体
- OSWorld 操作电脑63.3%第 4 / 10在真实的电脑桌面上点鼠标敲键盘完成任务，比如改表格、发邮件。考的是能不能替你操作电脑。第三方实测https://os-world.github.io/
- 经营售货机$1,198第 51 / 89Vending-Bench：让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱，考的是长期不犯糊涂。第三方实测https://andonlabs.com/evals/vending-bench
- APEX 专业任务14.4%第 42 / 77投行、律所、咨询公司的真实工作任务，由业内专家出题与评分。第三方实测
长文本
- 长文本记忆78.1%第 6 / 41Fiction.liveBench：读一篇长小说后回答细节问题。很多模型号称能读百万字，实测读到一半就忘了前面。第三方实测https://epoch.ai/benchmarks
- CL-bench 长上下文19.3%第 17 / 40在很长的上下文里做推理与检索，测的是长文本的实际可用程度。第三方实测
- CL-bench 生活版13.2%第 11 / 29CL-bench 的日常生活场景分支。第三方实测
游戏与谜题
- EnigmaEval3.4%第 35 / 51解谜比赛里的复杂谜题，通常要综合图像、文字和多步推理。第三方实测https://labs.scale.com/leaderboard/enigma_eval
B 站上的 Kimi K2.5 实测3 个视频
在 B 站搜「Kimi K2.5 测评」↗
02:23【自费体验】KimiK2.5的表现究竟如何？真的能平替Opus4.6吗？Kimi K2.5深度体验感受分享轻尘呦_2026.03.06·4.7 万播放
02:23Kimi K2.5 $0.99/月相当于白给！配合OpenClaw使用完美xx0a_2026.02.08·3.8 万播放
02:23Kimi K2.5 结果不是我要的！测评报告！AI产品狙击手2026.01.29·3076播放
以上为 B 站搜索结果，按播放量排（站长的视频置顶），内容由各 UP 主提供，不代表本站观点。