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 2026-04-28 13:02:03

截至 2026年4月，本页覆盖 Aider-Polyglot, τ²-Bench, Terminal Bench 2.0, 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

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

模型发布时间截止:

大模型性能评测结果

数据来源：DataLearnerAI

排名	模型						开源情况
	Kimi K2.6	—	—	66.70	50.00	73.10	免费商用
	Claude Sonnet 3.7	64.90	61.80	—	—	28.00	不开源
	o3-pro	84.90	—	—	—	—	不开源
4	DeepSeek-V3.1	76.30	—	—	—	—	免费商用
5	DeepSeek-V3.1 Terminus	76.10	37.00	—	—	—	免费商用
6	DeepSeek V3.2-Exp	74.50	66.70	—	—	—	免费商用
7	OpenAI o4 - mini	72.00	56.90	—	—	—	不开源
8	Claude Opus 4	72.00	72.50	—	—	—	不开源
9	DeepSeek-R1-0528	71.40	—	—	—	—	免费商用
10	DeepSeek V3.2	69.90	80.30	46.40	—	—	免费商用
11	M2.1	61.00	—	47.90	—	—	免费商用
12	Kimi K2	59.10	64.30	—	—	—	免费商用
13	Gemini 2.5 Flash	56.70	—	—	—	—	不开源
14	DeepSeek-V3-0324	55.10	38.80	—	—	—	免费商用
15	GLM-4.7	52.10	87.40	41.00	—	—	免费商用
16	Kimi K2.5	—	—	50.80	—	—	免费商用
17	MiniMax M2.5	—	—	51.70	—	—	免费商用
18	DeepSeek-V4-Flash	—	—	56.90	—	—	免费商用
19	Qwen3.6-Max-Preview	—	—	65.40	—	—	不开源
20	DeepSeek-V4-Pro	—	—	67.90	—	—	免费商用
21	Qwen3-235B-A22B	—	34.40	—	—	—	免费商用
22	GPT-4.1 mini	—	53.00	—	—	—	不开源
23	GPT-4.1	—	54.70	—	—	—	不开源
24	GLM-4.6	—	75.90	—	—	—	免费商用
25	MiniMax M2	—	77.20	—	—	—	免费商用
26	Qwen3-Max-Thinking	—	82.10	—	—	—	不开源
27	Step 3.5 Flash	—	88.20	51.00	—	—	免费商用
28	GLM-5	—	89.70	61.10	—	—	免费商用

Kimi K2.6

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.066.70

Tool Decathlon50.00

OSWorld-Verified73.10

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

o3-pro

Aider-Polyglot84.90

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

DeepSeek-V3.1

Aider-Polyglot76.30

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek-V3.1 Terminus

Aider-Polyglot76.10

τ²-Bench37.00

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek V3.2-Exp

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

Aider-Polyglot71.40

τ²-Bench—

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek V3.2

Aider-Polyglot69.90

τ²-Bench80.30

Terminal Bench 2.046.40

Tool Decathlon—

OSWorld-Verified—

免费商用

M2.1

Aider-Polyglot61.00

τ²-Bench—

Terminal Bench 2.047.90

Tool Decathlon—

OSWorld-Verified—

免费商用

Kimi K2

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

Aider-Polyglot55.10

τ²-Bench38.80

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

GLM-4.7

Aider-Polyglot52.10

τ²-Bench87.40

Terminal Bench 2.041.00

Tool Decathlon—

OSWorld-Verified—

免费商用

Kimi K2.5

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.050.80

Tool Decathlon—

OSWorld-Verified—

免费商用

MiniMax M2.5

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.051.70

Tool Decathlon—

OSWorld-Verified—

免费商用

DeepSeek-V4-Flash

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.056.90

Tool Decathlon—

OSWorld-Verified—

免费商用

Qwen3.6-Max-Preview

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.065.40

Tool Decathlon—

OSWorld-Verified—

不开源

DeepSeek-V4-Pro

Aider-Polyglot—

τ²-Bench—

Terminal Bench 2.067.90

Tool Decathlon—

OSWorld-Verified—

免费商用

Qwen3-235B-A22B

Aider-Polyglot—

τ²-Bench34.40

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

GPT-4.1 mini

Aider-Polyglot—

τ²-Bench53.00

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

GPT-4.1

Aider-Polyglot—

τ²-Bench54.70

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

GLM-4.6

Aider-Polyglot—

τ²-Bench75.90

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

MiniMax M2

Aider-Polyglot—

τ²-Bench77.20

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

免费商用

Qwen3-Max-Thinking

Aider-Polyglot—

τ²-Bench82.10

Terminal Bench 2.0—

Tool Decathlon—

OSWorld-Verified—

不开源

Step 3.5 Flash

Aider-Polyglot—

τ²-Bench88.20

Terminal Bench 2.051.00

Tool Decathlon—

OSWorld-Verified—

免费商用

GLM-5

Aider-Polyglot—

τ²-Bench89.70

Terminal Bench 2.061.10

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 2026-04-28 13:02:03

排名

模型

Kimi K2.6

—

66.70

50.00

73.10

Claude Sonnet 3.7

64.90

61.80

—

28.00

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

—

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

—

Kimi K2.5

—

50.80

—

MiniMax M2.5

—

51.70

—

DeepSeek-V4-Flash

—

56.90

—

Qwen3.6-Max-Preview

—

65.40

—

DeepSeek-V4-Pro

—

67.90

—

Qwen3-235B-A22B

—

34.40

—

GPT-4.1 mini

—

53.00

—

GPT-4.1

—

54.70

—

GLM-4.6

—

75.90

—

MiniMax M2

—

77.20

—

Qwen3-Max-Thinking

—

82.10

—

Step 3.5 Flash

—

88.20

51.00

—

GLM-5

—

89.70

61.10

—