一次做对一道题并不意味着模型每次都能答对，而一致性正是前沿模型优势的关键部分…
在 VIALS 上，Kimi K3.1 Pro 在三次尝试中至少一次答对 161 道题中的 119 道，而 GPT-6 Astra 为 118 道——几乎相同。但要求三次尝试全部成功时情况就变了：Kimi 通过 73 道（45%），而 Astra 通过 101 道（63%）。这一差距很重要，因为单次尝试的基准会掩盖可靠性的差异，而一致性正是前沿模型在实际使用中拉开差距的地方。
报道来源
- Artificial Analysis2026-11-06 17:09