KingBench 测试集档案

KingBench 测试集中文档案：UP 主自办实跑评测：让模型真做完整项目再打分由 YouTube 创作者「AICodeKing」个人基准（2.0/3 版本 + Agent Leaderboard）组织，包含测试方法、典型任务、分数解读、沿革与局限。

KingBench
KingBench Agent 榜
KingBench 编程榜
YouTube 创作者「AICodeKing」个人基准（2.0/3 版本 + Agent Leaderboard）

已发布事实

性质: 个人创作者基准（YouTube UP 主 AICodeKing），无官网、无论文
任务量: 约 8 个实跑任务
题型: 完整项目构建、长程 agentic 任务、3D 建模/网页类任务
计分: 逐题人工打分汇总，早期 80 分制，KingBench 3 为百分制量级
发布渠道: 创作者的视频与帖子，成绩依赖二手转述

它测什么

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」。

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。

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。

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」。

沿革

2025：以「Agentic Evaluations」形式在社区流传，MiniMax M2 等模型的实跑成绩引发讨论
2026-04：KingBench 2.0 题目用于 GPT-5.5 / DeepSeek V4 Pro / Opus 4.7 横评（创作者视频）
2026-06-13：KingBench 3 评测 GLM-5.2 等新模型，榜单被社区广泛转述
2026-07：Agent 方向做长程实验：让 Kimi K3 连续运行 48 小时测自主性