Kimi K3 笔记：从 pelican 基准看模型能力与真实差距

Simon Willison 发布关于 Kimi K3 模型的个人笔记，指出尽管 pelican 基准测试与模型实际能力（如长对话中的智能体工具调用）脱节，但仍能从中获得洞察。pelican 基准当前得分已无法完全反映 Kimi K3 在复杂任务上的表现。Willison 强调模型在 agentic tool calling 和长上下文交互上的进步比基准分数更重要。