Kimi K3 在 DeepSWE 评测中表现接近 Claude Fable 5，成本仅三分之一
Kimi K3 在 DeepSWE 上以接近 Claude Fable 5 的质量和三分之一成本展现了高性价比，尤其多次尝试时表现更优。
在软件工程基准测试 DeepSWE 上，开源模型 Kimi K3 的单次通过率（68.5%）略低于 Claude Fable 5（69.9%），但允许多次尝试后反超（pass@4 89.4% vs 88.5%）。Kimi K3 每次任务成本仅 4.65 美元，约为 Fable 5 的三分之一，每美元解决任务数多 2.8 倍。不过 Fable 5 更稳定，四次全对的任务数更多（58 vs 45）。
正文摘录
Key Takeaways Kimi K3 在质量上与 Claude Fable 5 持平，每个已解决问题成本仅为后者的三分之一，而且作为开放模型，团队可完全掌控部署。 - Kimi K3 与 Claude Fable 5 在 DeepSWE 的 pass@1 上非常接近：Fable 以 69.9% 领先，Kimi 为 68.5%，差距仅 1.4 个百分点。 - 给模型更多尝试次数后，Kimi K3 反超。它在 pass@2（82.0 vs 80.2）和 pass@4（89.4% vs 88.5%）上胜出。 - Kimi K3 便宜得多：每个 rollout 成本 4.65 美元对比 13.41 美元，每美元解决的 task 数量是前者的 2.8 倍。 - Claude Fable 5 更可靠：它四次尝试全部解决的 task 更多（58 个 vs 45 个）。 在我们对 Kimi K3 和 Claude Fable 5 在 DeepSWE 上的比较中（该基准测试跨多种任务类型和编程语言评估模型的软件工程能力），本月最有趣的模型并非排行榜榜首那个，而是 Kimi K3 —— 这个新的开源权重模型，仅落后 Claude Fable 5 1.4 个百分点，价格却只有三分之一。 Kimi K3 于 2026 年 7 月 16 日登上 DeepSWE，以最大 effort 模式进行了 452 次 graded rollout：113 个来自活跃开源仓库的真实长周期功能需求，每个试验 4 次，由隐藏的测试套件以 pass/fail 评分。我们将所有结果与 Claude Fable 5 在其最佳设置（xhigh）下进行了对比，xhigh 是 Anthropic 最强配置，也是此前的基准测试领先者。