kw-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
共 1 条 · 7 天 1 条 · 30 天 1 条
信息流里打上「kw-bench」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月28日
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。