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

Spark-X2.5-4B

科大讯飞

75.10τ²-Bench

查看详情

最佳开源

Spark-X2.5-4B

科大讯飞

75.10τ²-Bench

查看详情

最佳国产

此基准下暂无符合条件的模型。

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。

模型						开源情况
Spark-X2.5-4B 科大讯飞	—	75.10	54.60	—	—	免费商用	详情
Gemma 4 E4B Google DeepMind	—	42.20	—	—	—	免费商用	详情
Gemma 4 E2B Google DeepMind	—	24.50	—	—	—	免费商用	详情