kw-bench基准测试发布及前沿模型实测结果

George Juraj Salapa发布了针对审计等调查性任务的评测基准kw-bench。该基准由专家描述的真实业务场景构建，旨在评估AI在现实知识工作中的应用能力，特别是解决现有前沿模型在复杂任务中的局限性。 实测数据显示，DeepSeek v4.1 Flash使用独立harness在kw-bench上得分分别为0.542和0.528。这一结果反映了当前非前沿模型在处理此类调查性任务时的性能边界，表明harness框架在有限算力下对任务完成度有决定性影响。 相比之下，Claude Opus 5.5在同等任务中仅需22至25分钟即可完成，得分接近1.0。这种效率差距表明前沿模型将原本需要数周的工作压缩至分钟级，彻底改变了相关领域的成本与效率结构。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。