Tool Decathlon
Tool Decathlon（简称 Toolathlon）是一个针对语言代理的基准测试框架，用于评估大模型在真实环境中使用工具执行复杂任务的能力。该基准涵盖32个软件应用和604个工具，包括日常工具如 Google Calendar 和 Notion，以及专业工具如 WooCommerce、Kubernetes 和 BigQuery。它包含108个任务，每个任务平均需要约20次工具交互。该框架于2025年10月发布，旨在填补现有评测在工具多样性和长序列执行方面的空白。通过执行式评估，该基准提供可靠的性能指
更新于 2026-04-02
580 次浏览
问题数量
108
发布机构
个人
评测类别
AI Agent - 工具使用
评测指标
Accuracy
支持语言
英文
难度等级
高难度
简介
Tool Decathlon是一个用于评估大模型在真实环境中使用工具执行复杂任务的能力的评测基准
相关资源
Tool Decathlon 大模型得分排行榜
数据来源：DataLearnerAI
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
模式说明:
normal
thinking
low
medium
high
deeper thinking
parallel_thinking
图表加载中...
Tool Decathlon评测最新大模型排名与完整榜单数据
查看 Tool Decathlon 的最新得分、模型模式、发布时间与参数规模，快速了解当前完整榜单表现。
Tool Decathlon详细排名数据表格
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.4 mini 深度思考工具 | 42.9 | 2026-03-17 | 未知 |
| 2 | Qwen 3.6 Plus Preview 思考水平 · 中工具 | 39.8 | 2026-03-31 | 未知 |
| 3 | Qwen3.5-397B-A17B 思考水平 · 中工具 | 38.3 | 2026-02-16 | 397 |
| 4 | GPT-5.4 nano 深度思考工具 | 35.5 | 2026-03-17 | 未知 |