KimiがK3 Maxの性能を主張

Kimi.aiは新モデルのK3 Maxが社内テストでClaude Opus 4.8やGPT-5.5を上回ったと話している。ポイントは公開ベンチマークの数字ではなく、実際の仕事に近いタスクを安定してこなせるかどうかだ。

テストした作業

主に3つの領域で試した。

| 領域 | 内容 | 意味 | |---|---|---| | オンライン実験 | 調べ物や実験設計 | 情報収集と試行錯誤を見る | | スライド作成 | 資料の構成とまとめ | アウトプットの整理力を見る | | ファイナンス業務 | 数値確認や分析 | 企業向けの精度と信頼性を見る |

同社によると、これらはただの推論力ではなく、エージェントが実際の業務をどれだけ実行できるかを示すものだ。

注目すべきは評価セットが実ユーザーの仕事から来ている点だ。もし再現できれば、複数ソースのリサーチやスライドの下書き、財務データのチェックなどに役立つかもしれない。

ただしベンチマークの詳細が公開されていないので、外からの検証は難しい。この点は注意が必要だ。

一方で方向性は他のAIラボと同じで、公開スコアだけでなくエージェントが途中で止まらないか、長い作業を続けられるか、実務で使える品質かといった実運用性能を重視し始めている。

つまりKimiの主張は「一番賢いモデル」ではなく「実務エージェントとして信頼できる」という位置づけに近い。

Verdict: この話題はまだ早い。公開スコアではなく実務ワークフローでモデルを比べられる開発者や導入チームに有利で、検証できない社内結果だけを材料にする人には優位性がない。