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 Aider-Polyglot、τ²-Bench、Terminal Bench 2.0、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 2026-04-06 11:52:58

基准评测

Agent能力评测Aider-Polyglot τ²-Bench

AI Agent - 工具使用Terminal Bench 2.0 Tool Decathlon 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

大模型性能评测结果

数据来源：DataLearnerAI

暂无图表数据

排名	模型						参数(亿)	开源情况
1	o3-pro	84.90	—	—	—	—	—	不开源
2	DeepSeek-V3.1	76.30	—	—	—	—	6710B	免费商用
3	DeepSeek-V3.1 Terminus	76.10	37.00	—	—	—	6710B	免费商用
4	DeepSeek V3.2-Exp	74.50	66.70	—	—	—	6710B	免费商用
5	OpenAI o4 - mini	72.00	56.90	—	—	—	—	不开源
6	Claude Opus 4	72.00	72.50	—	—	—	—	不开源
7	DeepSeek-R1-0528	71.40	—	—	—	—	6710B	免费商用
8	DeepSeek V3.2	69.90	80.30	46.40	—	—	6710B	免费商用
9	Claude Sonnet 3.7	64.90	61.80	—	—	28.00	—	不开源
10	M2.1	61.00	—	47.90	—	—	2300B	免费商用
11	Kimi K2	59.10	64.30	—	—	—	10000B	免费商用
12	Gemini 2.5 Flash	56.70	—	—	—	—	—	不开源
13	DeepSeek-V3-0324	55.10	38.80	—	—	—	6710B	免费商用
14	GLM-4.7	52.10	87.40	41.00	—	—	3580B	免费商用
15	GLM-5	—	89.70	61.10	—	—	7440B	免费商用
16	Step 3.5 Flash	—	88.20	51.00	—	—	1960B	免费商用
17	Qwen3-Max-Thinking	—	82.10	—	—	—	10000B	不开源
18	MiniMax M2	—	77.20	—	—	—	2300B	免费商用
19	GLM-4.6	—	75.90	—	—	—	3550B	免费商用
20	GPT-4.1	—	54.70	—	—	—	—	不开源
21	GPT-4.1 mini	—	53.00	—	—	—	—	不开源
22	Qwen3-235B-A22B	—	34.40	—	—	—	2350B	免费商用
23	MiniMax M2.5	—	—	51.70	—	—	2290B	免费商用
24	Kimi K2.5	—	—	50.80	—	—	10000B	免费商用

o3-pro

Aider-Polyglot84.90

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

DeepSeek-V3.1

6710B

Aider-Polyglot76.30

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek-V3.1 Terminus

6710B

Aider-Polyglot76.10

τ²-Bench37.00

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek V3.2-Exp

6710B

Aider-Polyglot74.50

τ²-Bench66.70

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

OpenAI o4 - mini

Aider-Polyglot72.00

τ²-Bench56.90

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

Claude Opus 4

Aider-Polyglot72.00

τ²-Bench72.50

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

DeepSeek-R1-0528

6710B

Aider-Polyglot71.40

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek V3.2

6710B

Aider-Polyglot69.90

τ²-Bench80.30

Terminal Bench 2.046.40

Tool Decathlon—

OSWorld-Verified—

免费商用

Claude Sonnet 3.7

Aider-Polyglot64.90

τ²-Bench61.80

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified28.00

不开源

M2.1

2300B

Aider-Polyglot61.00

τ²-Bench—

Terminal Bench 2.047.90

Tool Decathlon—

OSWorld-Verified—

免费商用

Kimi K2

10000B

Aider-Polyglot59.10

τ²-Bench64.30

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

Gemini 2.5 Flash

Aider-Polyglot56.70

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

DeepSeek-V3-0324

6710B

Aider-Polyglot55.10

τ²-Bench38.80

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

GLM-4.7

3580B

Aider-Polyglot52.10

τ²-Bench87.40

Terminal Bench 2.041.00

Tool Decathlon—

OSWorld-Verified—

免费商用

GLM-5

7440B

Aider-Polyglot—

τ²-Bench89.70

Terminal Bench 2.061.10

Tool Decathlon—

OSWorld-Verified—

免费商用

Step 3.5 Flash

1960B

Aider-Polyglot—

τ²-Bench88.20

Terminal Bench 2.051.00

Tool Decathlon—

OSWorld-Verified—

免费商用

Qwen3-Max-Thinking

10000B

Aider-Polyglot—

τ²-Bench82.10

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

MiniMax M2

2300B

Aider-Polyglot—

τ²-Bench77.20

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

GLM-4.6

3550B

Aider-Polyglot—

τ²-Bench75.90

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

GPT-4.1

Aider-Polyglot—

τ²-Bench54.70

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

GPT-4.1 mini

Aider-Polyglot—

τ²-Bench53.00

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

Qwen3-235B-A22B

2350B

Aider-Polyglot—

τ²-Bench34.40

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

MiniMax M2.5

2290B

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.051.70

Tool Decathlon—

OSWorld-Verified—

免费商用

Kimi K2.5

10000B

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.050.80

Tool Decathlon—

OSWorld-Verified—

免费商用

排序：

大模型 Agent 能力评测排行榜

数据更新于 2026-04-06 11:52:58

排名

模型

o3-pro

84.90

—

DeepSeek-V3.1

76.30

—

DeepSeek-V3.1 Terminus

76.10

37.00

—

DeepSeek V3.2-Exp

74.50

66.70

—

OpenAI o4 - mini

72.00

56.90

—

Claude Opus 4

72.00

72.50

—

DeepSeek-R1-0528

71.40

—

DeepSeek V3.2

69.90

80.30

46.40

—

Claude Sonnet 3.7

64.90

61.80

—

28.00

M2.1

61.00

—

47.90

—

Kimi K2

59.10

64.30

—

Gemini 2.5 Flash

56.70

—

DeepSeek-V3-0324

55.10

38.80

—

GLM-4.7

52.10

87.40

41.00

—

GLM-5

—

89.70

61.10

—

Step 3.5 Flash

—

88.20

51.00

—

Qwen3-Max-Thinking

—

82.10

—

MiniMax M2

—

77.20

—

GLM-4.6

—

75.90

—

GPT-4.1

—

54.70

—

GPT-4.1 mini

—

53.00

—

Qwen3-235B-A22B

—

34.40

—

MiniMax M2.5

—

51.70

—

Kimi K2.5

—

50.80

—