Chinese contentkw-bench 基准发布：测试智能体在真实知识工作上的能力
一个新基准，用真实审计级任务测智能体 harness，结果挺意外：换掉自家模型后 Claude Code 和 Codex 直接挂零，文章把原因讲得很清楚。
#kw-bench
1 stories · 1 in 7 days · 1 in 30 days
Stories, products and papers tagged "kw-bench", newest first.
Oct 28
一个新基准，用真实审计级任务测智能体 harness，结果挺意外：换掉自家模型后 Claude Code 和 Codex 直接挂零，文章把原因讲得很清楚。