Kimi K3智能体编程能力测评：国产赛道领跑

Kimi K3模型已加入本次测评，与其他主流模型同台竞技。每道测评题目均需模型经历 40–75 轮多轮对话，逐步完成代码分析、修改与验证。

本次评测从性价比、推理耗时、交互轮数和 Token 消耗四个维度，直观对比了各模型的表现，为用户根据自身成本与效率需求进行模型选型提供了多维参考。

相关文章链接：

左右滑动查看更多

Kimi-K3(max) 在本次智能体编程测评中取得 75.79 分，位列榜单榜首，领先第二名 GLM-5.2(max)（64.13 分）11.66 分；较上一代 Kimi-K2.7-Code（55.43 分）提升超20分，是本次中文软件工程测评中唯一突破70分大关的模型，综合能力优势显著。

• 成本层面，Kimi-K3(max) 单题平均实测成本为 3.64 元，低于 GLM-5.2(max) 的 4.35 元。尽管其单 Token 定价更高，但总 Token 消耗仅 0.82M，不足竞品 1.72M 的一半，最终呈现出单价更高、用量更低、总成本更优的特征。

• 推理耗时层面，Kimi-K3(max) 单题平均耗时 1222.89 秒，为本次测评最长。测评周期内受官方服务器负载与排队限流影响，客观拉长了整体推理时长，整体呈现典型的深度思考、高稳定性推理特征。

• 多轮交互效率层面，Kimi-K3(max) 单题平均交互轮次仅 42.23 轮，为全场参评模型最低。模型问题理解精准、纠错迭代少，可在更少交互闭环内完成完整工程任务，交互收敛效率表现突出。

• 资源消耗层面，Kimi-K3(max) 单题平均总 Token 消耗仅 0.82M，为全场最低水平。实现了以更少上下文吞吐、更低资源消耗达成更高工程任务得分，资源利用效率处于本次测评领跑梯队。