Skip to main content

reliability-benchmark

Run a first-party reliability benchmark comparing two or more LLMs on hard, trap-laden tasks through one identical harness, graded by reading and scored pass^k. Use when the user wants to benchmark, compare, or A/B models for reliability (not raw capability), test a new model release against a baseline, or reproduce the Kimi K3 vs Opus study. Triggers on "benchmark these models", "compare model X vs Y", "run the reliability benchmark", "test <model> against <model>", "is <model> actually as good as its scores".

الانتقال إلى التثبيت

معلومات المصدر

المستودع
coleam00/kimi-k3-reliability-benchmark
آخر نشاط في المصدر
٢١ يوليو ٢٠٢٦ في ١٣:١٦
لغة SKILL.md المكتشفة
الإنجليزية
النجوم
١
التفرعات
٢

خيارات التثبيت

يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.

مراجعة ملفات المصدر

اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.