Agent 实战榜
多步任务规划与工具调用
数据截止 2026-11-08 · 入榜 8 个模型 · 有效样本 3280 条 · 评分方法见《评测方法论 v1》
| 名次 | 模型 | 厂商 | 综合分 | 95% 置信区间 | 变动 | 样本量 | 数据来源 |
|---|---|---|---|---|---|---|---|
| 1 | DeepSeek-V3 | 深度求索 | 85.4 | 83.8 – 87.0 | — | 480 | 本站实测 |
| 2 | Kimi-K2 | 月之暗面 | 84.1 | 82.5 – 85.7 | — | 450 | 本站实测 |
| 3 | Qwen3-235B | 阿里云 | 83.2 | 81.6 – 84.8 | — | 465 | 本站实测 |
| 4 | GLM-4.5 | 智谱 AI | 80.7 | 79.0 – 82.4 | — | 420 | 本站实测 |
| 5 | MiniMax-M2 | MiniMax | 80.2 | 78.2 – 82.2 | — | 300 | 本站实测 |
| 6 | 豆包 1.5 | 字节跳动 | 76.6 | 74.9 – 78.3 | — | 410 | 本站实测 |
| 7 | 文心 4.5 | 百度 | 73.4 | 71.6 – 75.2 | — | 395 | 本站实测 |
| 8 | 混元 | 腾讯 | 72.1 | 70.3 – 73.9 | — | 360 | 本站实测 |
数据截止 2026-11-08 · 样本 3280 条 · 方法与免责声明见 cnai.ac/disclaimer