行业与实践 · 标签「工具使用」

研究与基准测试/2026-07-26/9 分钟

三次都改对才算稳：腾讯 E-Bench 用数据库差异评多步工具

323 道合成任务，三次尝试，没有部分分。Kimi-K3 的 Avg@3 是 73.79%，但三次都成功只有 58.82%。加上代码执行后 Opus-4.8 升到第一，最好的三次全过仍是 68.66%。