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".

Ir a la instalación

Datos de origen

Repositorio
coleam00/kimi-k3-reliability-benchmark
Última actividad en el origen
21 de julio de 2026 a las 13:16
Idioma detectado de SKILL.md
inglés
Estrellas
1
Forks
2

Opciones de instalación

De forma predeterminada está seleccionado el prompt que primero revisa el origen. Puedes cambiar a un comando directo o descargar una copia local.

Revisa los archivos de origen

Lee SKILL.md y los archivos complementarios que muestra SkillsMP antes de decidir si quieres instalarlo.