大模型 Agent 能力评测排行榜

本页面提供大模型 Agent 能力评测排行榜，涵盖 Terminal-Bench 4.0、τ²-Bench、MCP-Atlas、Tool Decathlon、OSWorld-Verified 等主流 Agent 评测基准，深度对比 GPT、Claude、Qwen、DeepSeek 等模型的工具使用、任务规划与自主执行能力。

数据更新于 2026-10-13 09:29:07

截至 2026年10月，本页覆盖 Terminal-Bench 4.0, τ²-Bench, MCP-Atlas, Tool Decathlon 等评测基准，聚焦 大模型 Agent 能力评测排行榜 方向的模型对比。

点击模型名称可进入详情页查看上下文长度、许可方式与 API 价格。数据口径说明见数据方法论。

基准评测

自主开发与终端任务Terminal-Bench 4.0

客服与业务流程τ²-Bench

跨应用与工具编排MCP-Atlas Tool Decathlon

桌面工作流OSWorld-Verified

更多评测

参数规模:全部 3B及以下 7B 13B 34B 65B 100B及以上

模型类型:全部推理大模型基座大模型指令优化/聊天优化大模型编程大模型

开源：全部开源闭源

来源：全部国产模型

模型发布时间截止:

榜单亮点

按 Terminal-Bench 4.0 排序

当前 SOTA

GPT-5.5 Instant

OpenAI

12.60Terminal-Bench 4.0

查看详情

最佳开源

Kimi K2

Moonshot AI

—Terminal-Bench 4.0

查看详情

最佳国产

Kimi K2

Moonshot AI

—Terminal-Bench 4.0

查看详情

大模型性能评测结果

数据来源：DataLearnerAI

点击任意行查看模型详情；勾选左侧可对比最多 4 个模型。

排名	模型						开源情况
	GPT-5.5 Instant OpenAI	12.60	—	—	—	—	闭源	详情
	Claude Sonnet 4.6 Anthropic	3.00	—	69.50	—	72.50	闭源	详情
	Kimi K2 Moonshot AI	—	64.30	—	—	—	免费商用	详情
4	Claude Mythos Preview Anthropic	—	—	—	—	79.60	闭源	详情
5	Qwen 3.6 Plus Preview 阿里巴巴	—	—	—	39.80	—	闭源	详情
6	DeepSeek-V3.1 Terminus DeepSeek-AI	—	37.00	—	—	—	免费商用	详情
7	DeepSeek-V3-0324 DeepSeek-AI	—	38.80	—	—	—	免费商用	详情
8	Qwen3-30B-A3B-2507 阿里巴巴	—	49.00	—	—	—	免费商用	详情
9	GPT-4.1 mini OpenAI	—	53.00	—	—	—	闭源	详情
10	GPT-4.1 OpenAI	—	54.70	—	—	—	闭源	详情
11	Claude Sonnet 3.7 Anthropic	—	61.80	—	—	28.00	闭源	详情
12	Gemini 3.0 Flash Google DeepMind	—	90.20	62.00	—	—	闭源	详情
13	Gemma 4 26B A4B Google DeepMind	—	68.20	—	—	—	免费商用	详情
14	Qwen3 Max (Preview) 阿里巴巴	—	74.00	—	—	—	闭源	详情
15	GLM-4.6 智谱AI	—	75.90	—	—	—	免费商用	详情
16	Gemma 4 31B Google DeepMind	—	76.90	—	—	—	免费商用	详情
17	MiniMax M2 MiniMaxAI	—	77.20	—	—	—	免费商用	详情
18	GPT-5.2 OpenAI	—	82.00	67.60	—	—	闭源	详情
19	Claude Sonnet 4.5 Anthropic	—	84.70	59.50	—	61.40	闭源	详情
20	GLM-4.7 智谱AI	—	87.40	58.10	—	—	免费商用	详情
21	Step 3.5 Flash StepFunAI	—	88.20	—	—	—	免费商用	详情
22	GLM-5 智谱AI	—	89.70	—	—	—	免费商用	详情