Toolathlon-Verified 是 Toolathlon（香港科技大学发布的长周期工具使用评测）经人工核验的 108 题版本。智能体需在邮件、日历、表格、代码仓库等数十个应用、数百个工具之间完成任务，每题由基于执行结果的评测器判定。
查看 Toolathlon-Verified 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。
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
| 排名 | 模型 | 开源情况 | |||
|---|---|---|---|---|---|
 GLM-5.3-Flash 思考水平·Max工具 | 78.40 | 2026-08-26 | 3200亿 | 免费商用 | |
 Claude Fable 5.1 思考水平·Max工具 | 77.80 | 2026-09-01 | 未知 | 闭源 | |
Claude Sonnet 5.5 思考水平·Max工具 | 77.80 | 2026-09-28 | 未知 | 闭源 | |
4 | Claude Opus 5.5 思考水平·Max工具 | 77.80 | 2026-09-22 | 未知 | 闭源 |
5 | MiMo-V2.6-Pro 开启思考工具 | 76.90 | 2026-09-22 | 10200亿 | 免费商用 |
6 |  Kimi K3 思考水平·Max工具 | 76.50 | 2026-07-16 | 28000亿 | 有条件商用 |
7 | Claude Opus 4.8 思考水平·Max工具 | 76.20 | 2026-05-28 | 未知 | 闭源 |
8 |  DeepSeek-V4-Flash-Vision-Exp 思考水平·Max工具 | 75.90 | 2026-08-21 | 3050亿 | 免费商用 |
9 |  Muse Spark 1.2 思考水平·极高工具 | 75.90 | 2026-08-05 | 未知 | 闭源 |
10 | Muse Spark 1.1 思考水平·极高工具 | 75.60 | 2026-07-09 | 未知 | 闭源 |
11 |  Hy4 preview 思考水平·高工具 | 74.10 | 2026-08-28 | 7700亿 | 免费商用 |
12 |  Step 5 Preview 思考水平·高工具 | 74.10 | 2026-09-20 | 6000亿 | 闭源 |
13 | DeepSeek V4 Pro 0813 思考水平·Max工具 | 74.10 | 2026-08-13 | 未知 | 免费商用 |
14 | MiMo-V2.6-Flash 开启思考工具 | 73.60 | 2026-09-22 | 3090亿 | 免费商用 |
15 |  GPT-5.5 思考水平·极高工具 | 73.50 | 2026-04-23 | 未知 | 闭源 |
16 |  Qwen3.8-Flash-Next 思考水平·极高工具 | 73.50 | 2026-08-26 | 1250亿 | 有条件商用 |
17 | Qwen3.8-Max-0902 思考水平·极高工具 | 73.30 | 2026-09-02 | 24000亿 | 闭源 |
18 | GLM-5.3 思考水平·Max工具 | 73.00 | 2026-08-14 | 7440亿 | 有条件商用 |
19 | Qwen3.8-Max 思考水平·极高工具 | 72.50 | 2026-08-03 | 24000亿 | 有条件商用 |
20 | Claude Sonnet 5 思考水平·Max工具 | 71.60 | 2026-06-30 | 未知 | 闭源 |
21 | DeepSeek V4 Flash 0731 思考水平·Max工具 | 70.30 | 2026-07-31 | 未知 | 免费商用 |
22 |  Gemini 3.5 Flash 思考水平·高工具 | 67.30 | 2026-05-19 | 未知 | 闭源 |
23 | Gemini 3.1 Pro Preview 思考水平·高工具 | 61.10 | 2026-02-20 | 未知 | 闭源 |
24 | GLM-5.2 思考水平·Max工具 | 59.90 | 2026-06-13 | 7533.3亿 | 免费商用 |
25 | Kimi K2.6 开启思考工具 | 58.00 | 2026-04-20 | 10000亿 | 免费商用 |
26 | Kimi K2.7 Code 开启思考工具 | 58.00 | 2026-06-12 | 10000亿 | 免费商用 |
27 | Gemini 3.5 Flash-Lite 思考水平·高工具 | 57.10 | 2026-07-21 | 未知 | 闭源 |
28 | Hy3 思考水平·高工具 | 56.80 | 2026-07-06 | 2950亿 | 免费商用 |
29 | DeepSeek-V4-Pro 思考水平·极高工具 | 55.90 | 2026-08-13 | 16000亿 | 免费商用 |
30 | DeepSeek-V4-Flash 思考水平·Max工具 | 49.70 | 2026-04-24 | 2840亿 | 免费商用 |
Kimi K3 (max) 官方发布成绩：73.2（2026-07-16）。
