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 MCP-Atlas 排序

当前 SOTA

Muse Spark 1.2

Facebook AI研究实验室

90.30MCP-Atlas

查看详情

最佳开源

Hy4 preview

腾讯AI实验室

83.70MCP-Atlas−6.60

查看详情

最佳国产

Step 5 Preview

StepFunAI

85.60MCP-Atlas−4.70

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
	Muse Spark 1.2 开启思考工具 Facebook AI研究实验室	—	—	90.30	—	—	闭源	详情
	Muse Spark 1.1 开启思考工具 Facebook AI研究实验室	—	—	88.10	75.60	80.80	闭源	详情
	Claude Fable 5.1 思考水平 · 高工具 Anthropic	57.88	—	87.20	—	—	闭源	详情
4	Claude Opus 5 思考水平 · 极高工具 Anthropic	53.94	—	85.80	—	—	闭源	详情
5	Step 5 Preview 开启思考工具 StepFunAI	33.30	—	85.60	—	—	闭源	详情
6	Hy4 preview 开启思考工具腾讯AI实验室	—	—	83.70	—	—	免费商用	详情
7	Gemini 3.5 Flash 开启思考工具 Google DeepMind	6.60	—	83.60	—	78.40	闭源	详情
8	Claude Fable 5 常规模式工具 Anthropic	—	—	83.30	—	—	闭源	详情
9	Kimi K3 思考水平 · 高工具 Moonshot AI	12.60	—	82.30	—	84.80	有条件商用	详情
10	Claude Opus 4.8 思考水平 · 高工具 Anthropic	23.64	—	82.20	—	—	闭源	详情
11	Muse Spark 常规模式工具 Facebook AI研究实验室	—	—	82.20	—	—	闭源	详情
12	Claude Opus 4.8 深度思考模式工具 Anthropic	—	—	82.20	—	—	闭源	详情
13	GPT-5.6 Sol 思考水平 · 高工具 OpenAI	37.27	—	81.80	—	—	闭源	详情
14	Opus 4.7 深度思考模式工具 Anthropic	—	—	79.10	—	—	闭源	详情
15	Opus 4.7 思考水平 · 高工具 Anthropic	—	—	79.10	—	—	闭源	详情
16	Hy3 开启思考工具腾讯AI实验室	—	—	79.10	48.50	—	免费商用	详情
17	Gemini 3.1 Pro Preview 开启思考工具 Google DeepMind	—	90.80	78.20	—	—	闭源	详情
18	GLM-5.2 开启思考工具智谱AI	—	—	77.80	48.20	—	免费商用	详情
19	Claude Opus 4.6 思考水平 · 高工具 Anthropic	—	—	76.80	—	—	闭源	详情
20	Claude Opus 4.6 深度思考模式工具 Anthropic	—	—	76.80	—	—	闭源	详情
21	Qwen3.7 Max 开启思考工具阿里巴巴	1.50	—	76.40	—	—	闭源	详情
22	Inkling 思考水平 · 极高工具 Thinking Machines Lab	1.00	—	76.00	—	—	免费商用	详情
23	Kimi K2.7 Code 开启思考工具 Moonshot AI	1.00	—	76.00	—	—	免费商用	详情
24	GLM 5.1 常规模式工具智谱AI	—	—	75.60	—	—	免费商用	详情
25	Muse Glimmer-30B 开启思考工具 Facebook AI研究实验室	—	—	75.50	—	65.90	免费商用	详情
26	GPT-5.5 思考水平 · 极高工具 OpenAI	14.60	—	75.30	—	—	闭源	详情
27	MiniMax M3 开启思考工具 MiniMaxAI	2.00	—	74.20	—	70.00	不可商用	详情
28	Inkling 开启思考工具 Thinking Machines Lab	—	—	74.10	—	—	免费商用	详情
29	GPT-5.4 思考水平 · 极高工具 OpenAI	—	—	70.60	—	75.00	闭源	详情
30	Gemini 3.0 Pro (Preview 11-2025) 常规模式工具 Google DeepMind	—	—	70.30	—	—	闭源	详情
31	Opus 4.5 开启思考工具 Anthropic	—	—	69.80	—	—	闭源	详情
32	Claude Sonnet 4.6 常规模式工具 Anthropic	—	—	69.50	—	—	闭源	详情
33	Kimi K2.6 开启思考工具 Moonshot AI	—	—	69.40	50.00	73.10	免费商用	详情
34	GPT-5.2 思考水平 · 极高工具 OpenAI	—	82.00	67.60	—	—	闭源	详情
35	Kimi K2.5 常规模式工具 Moonshot AI	—	—	64.40	—	—	免费商用	详情
36	Gemini 3.0 Flash 常规模式工具 Google DeepMind	—	—	62.00	—	—	闭源	详情
37	Claude Sonnet 4.5 开启思考工具 Anthropic	—	84.70	59.50	—	61.40	闭源	详情
38	GLM-4.7 常规模式工具智谱AI	—	—	58.10	—	—	免费商用	详情
39	Gemini 3.1 Flash-Lite 开启思考工具 Google DeepMind	—	—	57.10	—	—	闭源	详情
40	GPT-5.4 mini 思考水平 · 极高工具 OpenAI	2.00	—	56.70	42.90	72.10	闭源	详情
41	Spark-X2.5-4B 开启思考工具科大讯飞	—	75.10	54.60	—	—	免费商用	详情
42	GPT-5.1 开启思考工具 OpenAI	—	—	50.10	—	—	闭源	详情
43	o3-pro 常规模式工具 OpenAI	—	—	44.50	—	—	闭源	详情
44	Haiku 4.5 常规模式工具 Anthropic	—	33.00	40.20	—	—	闭源	详情
45	GPT-5.5 开启思考工具 OpenAI	9.10	—	—	—	78.70	闭源	详情
46	Claude Sonnet 5.5 思考水平 · 高工具 Anthropic	70.60	—	—	—	—	闭源	详情
47	Claude Sonnet 5 思考水平 · 极高工具 Anthropic	7.10	—	—	—	81.20	闭源	详情
48	Gemini 3.6 Flash 开启思考工具 Google DeepMind	7.10	—	—	—	—	闭源	详情
49	Muse Spark 1.2 思考水平 · 极高工具 Facebook AI研究实验室	7.10	—	—	—	—	闭源	详情
50	Claude Opus 5.5 思考水平 · 极高工具 Anthropic	66.40	—	—	—	—	闭源	详情

Muse Spark 1.2 Facebook AI研究实验室

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas90.30

Tool Decathlon—

OSWorld-Verified—

闭源

Muse Spark 1.1 Facebook AI研究实验室

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas88.10

Tool Decathlon75.60

OSWorld-Verified80.80

闭源

Claude Fable 5.1 Anthropic

思考水平 · 高工具

Terminal-Bench 4.057.88

τ²-Bench—

MCP-Atlas87.20

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Opus 5 Anthropic

思考水平 · 极高工具

Terminal-Bench 4.053.94

τ²-Bench—

MCP-Atlas85.80

Tool Decathlon—

OSWorld-Verified—

闭源

Step 5 Preview StepFunAI

开启思考工具

Terminal-Bench 4.033.30

τ²-Bench—

MCP-Atlas85.60

Tool Decathlon—

OSWorld-Verified—

闭源

Hy4 preview 腾讯AI实验室

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas83.70

Tool Decathlon—

OSWorld-Verified—

免费商用

Gemini 3.5 Flash Google DeepMind

开启思考工具

Terminal-Bench 4.06.60

τ²-Bench—

MCP-Atlas83.60

Tool Decathlon—

OSWorld-Verified78.40

闭源

Claude Fable 5 Anthropic

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas83.30

Tool Decathlon—

OSWorld-Verified—

闭源

Kimi K3 Moonshot AI

思考水平 · 高工具

Terminal-Bench 4.012.60

τ²-Bench—

MCP-Atlas82.30

Tool Decathlon—

OSWorld-Verified84.80

有条件商用

Claude Opus 4.8 Anthropic

思考水平 · 高工具

Terminal-Bench 4.023.64

τ²-Bench—

MCP-Atlas82.20

Tool Decathlon—

OSWorld-Verified—

闭源

Muse Spark Facebook AI研究实验室

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas82.20

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Opus 4.8 Anthropic

深度思考模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas82.20

Tool Decathlon—

OSWorld-Verified—

闭源

GPT-5.6 Sol OpenAI

思考水平 · 高工具

Terminal-Bench 4.037.27

τ²-Bench—

MCP-Atlas81.80

Tool Decathlon—

OSWorld-Verified—

闭源

Opus 4.7 Anthropic

深度思考模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas79.10

Tool Decathlon—

OSWorld-Verified—

闭源

Opus 4.7 Anthropic

思考水平 · 高工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas79.10

Tool Decathlon—

OSWorld-Verified—

闭源

Hy3 腾讯AI实验室

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas79.10

Tool Decathlon48.50

OSWorld-Verified—

免费商用

Gemini 3.1 Pro Preview Google DeepMind

开启思考工具

Terminal-Bench 4.0—

τ²-Bench90.80

MCP-Atlas78.20

Tool Decathlon—

OSWorld-Verified—

闭源

GLM-5.2 智谱AI

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas77.80

Tool Decathlon48.20

OSWorld-Verified—

免费商用

Claude Opus 4.6 Anthropic

思考水平 · 高工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas76.80

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Opus 4.6 Anthropic

深度思考模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas76.80

Tool Decathlon—

OSWorld-Verified—

闭源

Qwen3.7 Max 阿里巴巴

开启思考工具

Terminal-Bench 4.01.50

τ²-Bench—

MCP-Atlas76.40

Tool Decathlon—

OSWorld-Verified—

闭源

Inkling Thinking Machines Lab

思考水平 · 极高工具

Terminal-Bench 4.01.00

τ²-Bench—

MCP-Atlas76.00

Tool Decathlon—

OSWorld-Verified—

免费商用

Kimi K2.7 Code Moonshot AI

开启思考工具

Terminal-Bench 4.01.00

τ²-Bench—

MCP-Atlas76.00

Tool Decathlon—

OSWorld-Verified—

免费商用

GLM 5.1 智谱AI

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas75.60

Tool Decathlon—

OSWorld-Verified—

免费商用

Muse Glimmer-30B Facebook AI研究实验室

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas75.50

Tool Decathlon—

OSWorld-Verified65.90

免费商用

GPT-5.5 OpenAI

思考水平 · 极高工具

Terminal-Bench 4.014.60

τ²-Bench—

MCP-Atlas75.30

Tool Decathlon—

OSWorld-Verified—

闭源

MiniMax M3 MiniMaxAI

开启思考工具

Terminal-Bench 4.02.00

τ²-Bench—

MCP-Atlas74.20

Tool Decathlon—

OSWorld-Verified70.00

不可商用

Inkling Thinking Machines Lab

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas74.10

Tool Decathlon—

OSWorld-Verified—

免费商用

GPT-5.4 OpenAI

思考水平 · 极高工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas70.60

Tool Decathlon—

OSWorld-Verified75.00

闭源

Gemini 3.0 Pro (Preview 11-2025)Google DeepMind

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas70.30

Tool Decathlon—

OSWorld-Verified—

闭源

Opus 4.5 Anthropic

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas69.80

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Sonnet 4.6 Anthropic

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas69.50

Tool Decathlon—

OSWorld-Verified—

闭源

Kimi K2.6 Moonshot AI

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas69.40

Tool Decathlon50.00

OSWorld-Verified73.10

免费商用

GPT-5.2 OpenAI

思考水平 · 极高工具

Terminal-Bench 4.0—

τ²-Bench82.00

MCP-Atlas67.60

Tool Decathlon—

OSWorld-Verified—

闭源

Kimi K2.5 Moonshot AI

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas64.40

Tool Decathlon—

OSWorld-Verified—

免费商用

Gemini 3.0 Flash Google DeepMind

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas62.00

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Sonnet 4.5 Anthropic

开启思考工具

Terminal-Bench 4.0—

τ²-Bench84.70

MCP-Atlas59.50

Tool Decathlon—

OSWorld-Verified61.40

闭源

GLM-4.7 智谱AI

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas58.10

Tool Decathlon—

OSWorld-Verified—

免费商用

Gemini 3.1 Flash-Lite Google DeepMind

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas57.10

Tool Decathlon—

OSWorld-Verified—

闭源

GPT-5.4 mini OpenAI

思考水平 · 极高工具

Terminal-Bench 4.02.00

τ²-Bench—

MCP-Atlas56.70

Tool Decathlon42.90

OSWorld-Verified72.10

闭源

Spark-X2.5-4B 科大讯飞

开启思考工具

Terminal-Bench 4.0—

τ²-Bench75.10

MCP-Atlas54.60

Tool Decathlon—

OSWorld-Verified—

免费商用

GPT-5.1 OpenAI

开启思考工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas50.10

Tool Decathlon—

OSWorld-Verified—

闭源

o3-pro OpenAI

常规模式工具

Terminal-Bench 4.0—

τ²-Bench—

MCP-Atlas44.50

Tool Decathlon—

OSWorld-Verified—

闭源

Haiku 4.5 Anthropic

常规模式工具

Terminal-Bench 4.0—

τ²-Bench33.00

MCP-Atlas40.20

Tool Decathlon—

OSWorld-Verified—

闭源

GPT-5.5 OpenAI

开启思考工具

Terminal-Bench 4.09.10

τ²-Bench—

MCP-Atlas—

Tool Decathlon—

OSWorld-Verified78.70

闭源

Claude Sonnet 5.5 Anthropic

思考水平 · 高工具

Terminal-Bench 4.070.60

τ²-Bench—

MCP-Atlas—

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Sonnet 5 Anthropic

思考水平 · 极高工具

Terminal-Bench 4.07.10

τ²-Bench—

MCP-Atlas—

Tool Decathlon—

OSWorld-Verified81.20

闭源

Gemini 3.6 Flash Google DeepMind

开启思考工具

Terminal-Bench 4.07.10

τ²-Bench—

MCP-Atlas—

Tool Decathlon—

OSWorld-Verified—

闭源

Muse Spark 1.2 Facebook AI研究实验室

思考水平 · 极高工具

Terminal-Bench 4.07.10

τ²-Bench—

MCP-Atlas—

Tool Decathlon—

OSWorld-Verified—

闭源

Claude Opus 5.5 Anthropic

思考水平 · 极高工具

Terminal-Bench 4.066.40

τ²-Bench—

MCP-Atlas—

Tool Decathlon—

OSWorld-Verified—

闭源

排序：

已显示 50 / 178 个模型查看 MCP-Atlas 基准测试完整页面