测试集:KingBench

名称	KingBench
类别	agent
主办方	YouTube 创作者「AICodeKing」个人基准（2.0/3 版本 + Agent Leaderboard）
开源状态	closed
网址	[ 官方页面]

kingbench 88.57 完整项目实跑、长程连续任务、人工逐题打分、强调代码品味、个人运营无开源

测试集 content/benchmarks/kingbench.md

一句话

UP 主自办实跑评测：让模型真做完整项目再打分

测什么

一个由个人创作者运营的小型实跑评测，约 8 个任务，主打真实编码与 agentic 场景：从零构建完整项目、长程连续任务、3D 建模/网页类任务等，评分时强调「代码品味」——不只看能不能跑，还看 UX、逻辑结构和工程完成度。另有针对长程自主任务的 Agent Leaderboard，观察模型搭配 Claude Code 等 agent 工具连续干活的表现。已迭代到 2.0/3 版本。

怎么测

没有公开数据集和自动化评分管线：创作者在自己的流程里让各模型完成同一批任务，逐题打分后汇总（早期为 80 分制，KingBench 3 为百分制量级），排成榜单，通过视频和帖子发布。成绩本质上是「同一人、同一流程下的实跑横评」。

典型任务

从创作者发布内容看，任务形态是让模型一次性交付完整作品：比如从零搭一个可运行的完整应用、做 3D 建模类任务、或连续运行数小时到数十小时的长程 agentic 任务（他做过让模型连跑 48 小时的实验）。第三方转述的 KingBench 3 榜单（2026-06）中：Fable 5 88.57、Opus 4.8 87.14、GLM-5.2 81.43、Opus 4.7 55.71、GPT-5.5 38.57——评分差距拉得很开，反映其偏好「完成度与品味」而非「差不多能跑」。

分数怎么看

在社区（尤其模型发布讨论）里颇有存在感，GLM-5/5.2、DeepSeek V4 Flash 等模型的第三方实测成绩常出自它。适合当作「真实项目手感」的旁证：一个模型在学术榜上平平但在这里分高，往往说明实跑体验不错。分数绝对值无横向意义，只看同一期榜单内的相对排名。

含金量与局限

个人基准，本站明确标注：无公开数据集、无论文、无可复现流程，评分含主观成分，任务只有约 8 个，统计意义有限；成绩只能通过创作者的视频/帖子获取，二手转述可能走样。作为参考信号可以，作为选型依据不够。

冷知识

为测长程自主性，创作者曾让模型连续实跑 48 小时不人工干预，看它是自己推进任务、原地打转还是干脆「摆烂」——这种土法炼钢的长跑测试，反而是很多学术基准给不了的手感。

数据来源

本页由仓库 content/benchmarks/kingbench.md 初始化。后续修订通过公开审核队列发布。