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
581 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 Model Score Leaderboard
Source: DataLearnerAI
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
模式说明:
normal
thinking
low
medium
high
deeper thinking
parallel_thinking
图表加载中...
Latest Tool Decathlon model rankings and full benchmark leaderboard
Browse the latest scores, model modes, release dates, and parameter sizes for Tool Decathlon.
Tool Decathlon详细排名数据表格
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.4 mini Deep ThinkingTools | 42.9 | 2026-03-17 | 未知 |
| 2 | Qwen 3.6 Plus Preview Thinking Level · MediumTools | 39.8 | 2026-03-31 | 未知 |
| 3 | Qwen3.5-397B-A17B Thinking Level · MediumTools | 38.3 | 2026-02-16 | 397 |
| 4 | GPT-5.4 nano Deep ThinkingTools | 35.5 | 2026-03-17 | 未知 |