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 2026-10-01 08:16:28

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 τ²-Bench 排序

当前 SOTA

GLM-4.7-Flash

智谱AI

79.50τ²-Bench

查看详情

最佳开源

GLM-4.7-Flash

智谱AI

79.50τ²-Bench

查看详情

最佳国产

GLM-4.7-Flash

智谱AI

79.50τ²-Bench

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
	GLM-4.7-Flash 智谱AI	—	79.50	—	—	—	免费商用	详情
	Qwen3.5-27B 阿里巴巴	—	79.00	—	—	56.20	免费商用	详情
	Gemma 4 31B Google DeepMind	—	76.90	—	—	—	免费商用	详情
4	Gemma 4 26B A4B Google DeepMind	—	68.20	—	—	—	免费商用	详情
5	Qwen3-30B-A3B-2507 阿里巴巴	—	49.00	—	—	—	免费商用	详情
6	GPT OSS 20B OpenAI	—	47.70	—	—	—	免费商用	详情
7	Qwen3.8-27B 阿里巴巴	5.60	—	—	—	84.30	免费商用	详情
8	Nemotron 3.5 Lightning NVIDIA	0.50	—	—	—	—	免费商用	详情
9	Qwen3.6-35B-A3B 阿里巴巴	—	—	—	26.90	—	免费商用	详情
10	Muse Glimmer-30B Facebook AI研究实验室	—	—	75.50	—	65.90	免费商用	详情