AI 智能体基准测试排行榜(2026年11月)
截至 2026年11月16日,BenchLeader 收录了来自 25 家发布方的 69 个 AI 智能体基准测试,其中 17 个计入 BenchLeader Index。在智能体与工具基准测试中,Claude Fable 5.2(Anthropic)以 82.9 的智能体得分领先,其后为 GPT-6 Sol (Daybreak Blue, max)(72.3)和 Claude Opus 4.5(70.5)。在权重最高的现役基准测试中,τ³-Banking 由 Qwen3.8 Max (max)(51.3%)领先。在这 69 个基准测试中,60 个现役、6 个接近饱和、2 个已饱和、1 个已退役(已退役:一年内没有新结果)。
最后更新 · 每 6 小时重建一次 · 仅采用第三方发布方,不用发布文章中的数字
- 基准测试
- 69
- 现役
- 60
- 已饱和或接近饱和
- 8
- 发布方
- 25
其他类别:AI 编程基准测试 · 推理与数学基准测试 · 多模态 AI 基准测试 · 全部大模型基准测试
智能体与工具基准测试领先模型
按 BenchLeader Index 的智能体与工具类别排名:取下列计入 Index 的各项基准测试,标准化(50 代表平均水平的模型)后求平均。每个模型一行,取其表现最好的推理强度;模型需要在其中至少 3 项基准测试上有结果才会排名。
| # | 模型 | 提供商 | 智能体得分 | Index | 混合 $/M |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 | Anthropic | 82.9 | 65.4 | $16.00 |
| 2 | GPT-6 Sol (Daybreak Blue, max) (max) | OpenAI | 72.3 | – | $4.00 |
| 3 | Claude Opus 4.5 | Anthropic | 70.5 | 57.1 | $10.00 |
| 4 | Claude Sonnet 5.5 (max) | Anthropic | 70.5 | 64.2 | $4.00 |
| 5 | GPT-5.5 (high) | OpenAI | 70.1 | 63.5 | $11.25 |
| 6 | GPT-5.6 Sol (xhigh) | OpenAI | 69.6 | 63.9 | $8.00 |
| 7 | Gemini 4 Argon | 68.8 | 64.4 | $4.00 | |
| 8 | Claude Opus 5 (high) | Anthropic | 66.6 | 64.4 | $10.00 |
| 9 | Claude Opus 4.6 | Anthropic | 66.4 | 62.1 | $10.00 |
| 10 | Claude Fable 5 (max) | Anthropic | 66.1 | 65.1 | $20.00 |
全部智能体与工具调用基准测试:衡量内容与当前领先者(69 项)
智能体基准测试把模型放进一个环境里,再对结果打分:命令行(Terminal-Bench)、带工具且用户不配合的客服对话(τ²-bench)、函数调用(BFCL)、Model Context Protocol(MCP Atlas),或真实的桌面环境(OSWorld)。
适用于:调用工具的产品、自动化,以及较长的多步骤任务。
注意: 测试框架的影响很大:同一个模型换一套脚手架、提示词或工具,分数就可能相差 10–20 个百分点,因此不同框架下的分数不可比较。
| 基准测试 | 衡量内容 | 当前领先者 | 状态 | 模型 | 最新结果 |
|---|---|---|---|---|---|
| τ³-Banking (AA) | Artificial Analysis 运行的 τ²-Bench 银行领域测试:客服智能体使用工具应对模拟客户。 | Qwen3.8 Max (max) 51.3% | 现役依赖测试框架 | 208 | 2026年11月5日 |
| Terminal-Bench | 命令行智能体任务;每个模型取各框架中的最佳结果。 | GPT-5.5 84.7% | 现役依赖测试框架 | 109 | 2026年11月12日 |
| BFCL Overall | Berkeley Function Calling Leaderboard 的总体准确率。 | Claude Opus 4.5 77.5% | 现役依赖测试框架 | 83 | – |
| MCP Atlas | 通过 Model Context Protocol 进行的真实场景工具调用。Scale AI。 | Gemini 4 Argon 90.7% | 接近饱和依赖测试框架 | 37 | 2026年11月6日 |
| τ²-bench | 航空、零售和电信领域 pass^1 的平均值。 | Qwen3.5 397B A17B (thinking) 87.9% | 现役依赖测试框架 | 8 | 2026年3月2日 |
| Terminal-Bench Hard | 在固定框架中运行的 Terminal-Bench 高难度子集。由 Artificial Analysis 运行。 | GPT-5.6 Sol (max) 65.9% | 现役依赖测试框架 | 411 | 2026年7月9日 |
| Terminal-Bench 2.1 (Vals) | 在 Vals AI 固定框架中运行的 Terminal-Bench 2.1。 | Claude Opus 5.5 (high) 87.6% | 接近饱和依赖测试框架 | 75 | 2026年10月1日 |
| APEX-Agents | 长周期的专业智能体任务(Mercor)。 | Gemini 4 Carbon 84.2% | 现役依赖测试框架 | 65 | 2026年11月10日 |
| Arena Agent | 由用户本人评判真实智能体会话得出的任务结果分(0–100)。 | Claude Fable 5.2 (max) 30.4 | 现役由评审打分 | 58 | 2026年11月11日 |
| HiL-Bench | 智能体能否发现信息缺口并提出澄清问题。Scale AI。 | Claude Fable 5.2 80.0% | 现役依赖测试框架 | 35 | 2026年11月13日 |
| DeepSec-Bench (AA) | 比单次补丁更深入的安全工程任务:理解一个系统并加以防御。由 Artificial Analysis 运行。 | GPT-6 Sol (Daybreak Blue, max) (max) 48.1% | 现役依赖测试框架 | 28 | 2026年11月3日 |
| CWE-Bench (AA) | 在真实仓库中发现并修复 CWE 所列类型的漏洞。由 Artificial Analysis 运行。 | Hy4 75.8% | 现役依赖测试框架 | 26 | 2026年11月3日 |
| CyberGym end-to-end (AA) | 在一次运行中完成从漏洞利用到修补的完整流程,端到端评分。由 Artificial Analysis 运行。 | Kimi K3.1 Pro 94.7% | 接近饱和依赖测试框架 | 26 | 2026年11月3日 |
| Cybench | 无提示的夺旗赛(CTF)网络安全任务。 | Claude Opus 4.6 93.0% | 接近饱和依赖测试框架 | 21 | 2026年2月5日 |
| Remote Labor Index | 从头到尾完成的真实自由职业项目(Scale AI / CAIS)。 | Claude Fable 5.2 41.3% | 现役依赖测试框架 | 18 | 2026年11月9日 |
| OSWorld-Verified 2.0 | 在真实桌面环境中操作计算机的任务。 | Claude Opus 5 (max) 31.4% | 现役依赖测试框架 | 14 | 2026年7月24日 |
| GDPval | 在有经济价值的任务上与行业专业人士相比的胜率(OpenAI)。 | GPT-5.2 (无推理) 49.7% | 现役由评审打分 | 11 | 2025年12月11日 |
| GDPval-AA v2.1不计入 Index | Artificial Analysis 在可访问 shell 和网络的智能体循环中运行 OpenAI GDPval 专业任务,根据工作成果的盲测两两对比给出 Elo 评分。 | Claude Opus 5.5 (max) 1866 | 现役依赖测试框架 | 313 | 2026年11月9日 |
| AutomationBench不计入 Index | 从头到尾运行的办公自动化任务。按部分得分计分,因此模型只要做对工作流的大部分,分数就会有所体现。 | Gemini 4 Carbon (high) 77.8% | 现役依赖测试框架 | 261 | 2026年11月12日 |
| GDP.pdf (AA)不计入 Index | 在真实 PDF 上完成文档工作,采用全对才得分的方式:每个要求的要素都必须正确才算通过,因此分数看起来偏低。 | Gemini 4 Hydrogen (medium) 32.8% | 现役依赖测试框架 | 259 | 2026年11月12日 |
| AA-Briefcase v1.1不计入 Index | 以真实文件(电子表格、演示文稿、文档)交付的知识工作,两两对比评分,因此分数是 Elo 而不是百分比。 | Claude Sonnet 5.5 (max) 1816 | 现役依赖测试框架 | 253 | 2026年11月12日 |
| GDPval-AA v2.1, normalised score不计入 Index | Artificial Analysis 对 OpenAI GDPval 专业任务对比的归一化结果,冻结在最后公布的百分比(2026年10月25日)。AA 现在以 Elo 形式公布同一项评测。 | Claude Opus 5.5 (max) 68.3% | 现役由评审打分 | 167 | 2026年10月23日 |
| Terminal-Bench-Science 0.1 (AA)不计入 Index | 在终端中完成的科学计算任务:搭建环境、运行分析、得出答案。用于 Intelligence Index v5。由 Artificial Analysis 运行。 | Claude Fable 5.2 (max) 73.3% | 现役依赖测试框架 | 144 | 2026年11月12日 |
| Legal Research Bench不计入 Index | 智能体式的美国法律研究问题。由 Vals AI 运行。 | Gemini 4 Carbon (high) 55.8% | 现役依赖测试框架 | 92 | 2026年11月11日 |
| Tax Agent Bench不计入 Index | 智能体式的美国企业税务研究。由 Vals AI 运行。 | Gemini 4 Hydrogen (xhigh) 52.3% | 现役依赖测试框架 | 83 | 2026年11月11日 |
| Design Arena Agentic不计入 Index | 以智能体方式工作的模型构建网页应用、演示文稿、游戏和 3D 场景;访客在两个结果之间投票,投票结果转换为 Bradley-Terry 评分(这些作品的总体评分)。对战少于 200 场的模型不计入。 | Claude Opus 5.5 (high) 1454 | 现役由评审打分 | 81 | 2026年11月15日 |
| Finance Agent v2不计入 Index | 使用工具完成金融分析师的核心工作。由 Vals AI 运行。 | Gemini 4 Argon (high) 65.4% | 现役依赖测试框架 | 80 | 2026年10月29日 |
| Harvey's Legal Agent Benchmark v1不计入 Index | Harvey 法律智能体基准测试的第一版,Vals AI 仍在提供。由 Vals AI 运行。 | Muse Spark 1.2 (xhigh) 25.4% | 现役依赖测试框架 | 80 | 2026年10月18日 |
| Vending-Bench 2不计入 Index | 经营一家模拟的自动售货机生意一整年。 | Gemini 4 Carbon 16484.2 | 现役依赖测试框架 | 72 | 2026年11月10日 |
| LiveBench Agentic Coding不计入 Index | LiveBench 1.0 的智能体编程类别,冻结在最终版本(2026年6月25日)。LiveBench 2.0 已取消该类别。 | DeepSeek V4.1 Flash (max) 77.3% | 现役依赖测试框架 | 68 | 2026年6月25日 |
| Terminal-Bench 2.0 (Vals)不计入 Index | 在 Vals AI 固定框架中运行的 Terminal-Bench 2.0。由 Vals AI 运行。 | GPT-5.5 (high) 73.2% | 现役依赖测试框架 | 65 | 2026年6月4日 |
| Terminal-Bench 4.0 (Vals)不计入 Index | 在 Vals AI 框架中运行的 Terminal-Bench 4.0(前沿难度题集)。由 Vals AI 运行。 | Claude Opus 5.5 (max) 65.2% | 现役依赖测试框架 | 62 | 2026年11月11日 |
| Arena Agent Task Completion不计入 Index | 真实智能体会话中,用户表示任务已完成的比例(0–100)。 | Claude Fable 5.2 (max) 22 | 现役由评审打分 | 58 | 2026年11月11日 |
| Analyst Agent (AA)不计入 Index | 使用工具的多步金融分析师任务,由 Artificial Analysis 运行。 | Gemini 3.7 Flash (high) 60.0% | 现役依赖测试框架 | 52 | 2026年11月5日 |
| EnterpriseOps-Gym不计入 Index | 在模拟公司中完成企业运营任务:模型要处理工单、审批和各类系统才能完成工作。 | Claude Fable 5 (max) 51.1% | 现役依赖测试框架 | 51 | 2026年11月5日 |
| CyberBench不计入 Index | 在真实代码中发现并修补安全漏洞。由 Vals AI 运行。 | Muse Wonder (max) 80.4% | 现役依赖测试框架 | 46 | 2026年11月5日 |
| ITBench SRE (AA)不计入 Index | 在运行中的 IT 环境里处理站点可靠性(SRE)事故,由 Artificial Analysis 运行。 | GPT-5.6 Sol (max) 56.2% | 现役依赖测试框架 | 45 | 2026年9月22日 |
| Terminal-Bench Science不计入 Index | 由专家编写、在终端中完成的科学研究工作流。由 Vals AI 运行。 | GPT-6 Astra (max) 62.9% | 现役依赖测试框架 | 45 | 2026年11月9日 |
| Arena Search不计入 Index | 对使用了网络搜索的回答进行两两投票。 | GPT-5.6 Sol (xhigh) 1255 | 现役由评审打分 | 42 | 2026年11月9日 |
| BrowseComp不计入 Index | 答案深藏在公开网络中的难题:模型必须去浏览,而不能靠记忆。由 OpenAI 发布。 | Gemini 3.1 Pro 31.2% | 现役依赖测试框架 | 42 | 2026年3月25日 |
| METR Time Horizons不计入 Index | METR 用于计算 50% 时间跨度的任务集。 | Claude Mythos Preview 85.2% | 现役依赖测试框架 | 41 | 2026年4月7日 |
| DeepResearch Bench不计入 Index | 按深度和准确性评判的长篇研究报告。 | Claude Opus 4.6 (high) 55.3% | 现役由评审打分 | 40 | 2026年5月28日 |
| Finance Agent v2.1不计入 Index | Finance Agent v2.1,Vals AI 目前用来评测新模型的版本。由 Vals AI 运行。 | Claude Fable 5.2 (high) 69.5% | 现役依赖测试框架 | 39 | 2026年11月11日 |
| BALROG不计入 Index | 在 NetHack 等经典文字和网格游戏中的进度。 | GPT-6 Astra (max) 68.3% | 现役依赖测试框架 | 37 | 2026年9月3日 |
| Harvey's Legal Agent Benchmark v1.1不计入 Index | 与 Harvey 合作编写、处理文件的智能体式法律工作。由 Vals AI 运行。 | Gemini 4 Argon (high) 27.1% | 现役依赖测试框架 | 37 | 2026年11月11日 |
| SREBench不计入 Index | 诊断并修复站点可靠性(SRE)事故。由 Vals AI 运行。 | GPT-6 Astra (max) 56.9% | 现役依赖测试框架 | 36 | 2026年11月5日 |
| LiveBench Browser不计入 Index | LiveBench 2.0 浏览器操作套件。 | GPT-6.1 Sol (max) 93.3% | 接近饱和依赖测试框架 | 34 | 2026年11月6日 |
| LiveBench Long Agentic不计入 Index | LiveBench 2.0 长周期智能体套件。 | Claude Fable 5.2 (xhigh) 82.9% | 现役依赖测试框架 | 34 | 2026年11月6日 |
| SkillsBench不计入 Index | 可复用的技能能在多大程度上帮助智能体完成任务。由 Vals AI 运行。 | DeepSeek V4.1 Flash (high) 69.8% | 现役依赖测试框架 | 34 | 2026年10月29日 |
| APEX-Agents (AA)不计入 Index | Artificial Analysis 运行的 Mercor 长周期专业智能体任务。 | Gemini 3.5 Flash (high) 47.0% | 现役依赖测试框架 | 33 | 2026年9月18日 |
| Harvey LAB-AA v1.1不计入 Index | 与 Harvey 合作构建、取材于实务的法律工作。由 Artificial Analysis 运行。 | Muse Wonder Full (max) 13.1% | 现役依赖测试框架 | 33 | 2026年11月9日 |
| τ³-bench Banking不计入 Index | Sierra 在最初三个领域之后新增的银行领域 pass^1:客服智能体使用银行的工具应对模拟客户。这是 Sierra 自己的结果;计入 Index 的是 Artificial Analysis 的结果。 | Qwen3.8 Max (xhigh) 55.1% | 现役依赖测试框架 | 27 | 2026年8月4日 |
| GBAEval不计入 Index | 以智能体身份玩 Game Boy Advance 游戏。 | Claude Opus 5 79.6% | 现役依赖测试框架 | 23 | 2026年7月24日 |
| BrowseComp-Plus不计入 Index | 用固定的 10 万篇文档语料库而不是实时网络来回答 BrowseComp 问题,从而能把检索器和模型分开评判。显示的分数基于 BM25 基线检索器,这是几乎所有提交都会跑的一栏。收录的模型截至 2025 年末。 | GPT-5 57.6% | 现役依赖测试框架 | 21 | 2025年12月31日 |
| GDPx不计入 Index | SemiAnalysis 的智能体基准测试:覆盖芯片设计、网络安全、生物学和 AI 研究等 11 个领域的 206 项长任务,每项都在模型自己的编程框架中运行。分数为通过任务的比例(三次尝试,各领域等权)。 | Claude Fable 5.2 (max) 16.4% | 现役依赖测试框架 | 21 | 2026年11月9日 |
| MKA (AA)不计入 Index | Google DeepMind 的 Multimodal Knowledge Agent:200 个基于图纸、电路图、医学影像等信息密集文件的专业项目,按专家评分细则打分。分数是满足较难(Climb)标准的加权比例。由 Artificial Analysis 运行。 | Claude Fable 5.2 (max) 56.6% | 现役依赖测试框架 | 21 | 2026年11月9日 |
| PostTrainBench不计入 Index | 从头到尾把一个小模型后训练到目标水平。 | Claude Fable 5.1 (max) 44.6% | 现役依赖测试框架 | 20 | 2026年10月13日 |
| Poker Agent不计入 Index | AI 智能体之间的扑克对战。由 Vals AI 运行。 | GPT-5.2 1131.8% | 现役依赖测试框架 | 17 | 2025年12月23日 |
| Time Horizon Index: KSP不计入 Index | 从头到尾完成一次《坎巴拉太空计划》任务。由 Vals AI 运行。 | Claude Opus 5.5 (max) 91.3% | 接近饱和依赖测试框架 | 13 | 2026年10月7日 |
| DeepSearchQA不计入 Index | 需要收集许多独立事实的研究型问题;只有完全正确的答案才得分,漏掉一项即判失败。由 Google 发布。 | Gemini Deep Research Agent 66.1% | 现役依赖测试框架 | 12 | 2026年4月13日 |
| CUA-bench不计入 Index | 只用键盘和鼠标玩六款商业电子游戏,其中一半不公开。由 Vals AI 运行。 | GPT-6 Astra (max) 19.2% | 现役依赖测试框架 | 9 | 2026年10月13日 |
| ExploitBench不计入 Index | 针对已知漏洞开发可用的漏洞利用程序。 | Claude Mythos Preview 73.8% | 现役依赖测试框架 | 9 | 2026年4月23日 |
| SpireClimb不计入 Index | 《杀戮尖塔》1 和 2 在最高难度下的胜率,两作权重相同,所有模型使用同一组种子。由 Epoch AI 运行。 | GPT-6 Astra (max) 34.0% | 现役依赖测试框架 | 9 | 2026年11月9日 |
| Robo-bench不计入 Index | 在实时物理仿真中根据电机指令和摄像头图像控制机械臂和人形机器人。由 Vals AI 运行。 | GPT-6.1 Sol (max) 28.3% | 现役依赖测试框架 | 7 | 2026年10月13日 |
| Web Search Index不计入 Index | 使用内置和独立工具回答需要实时网络搜索的问题。由 Vals AI 运行。 | Claude Opus 5.5 (max) 53.8% | 现役依赖测试框架 | 5 | 2026年11月4日 |
| RoboDojo (LLM as robot policy)不计入 Index | 未经机器人训练的通用大模型直接控制模拟机械臂,完成 42 项操作任务(泛化、精度、长周期、记忆、开放式)。分数为各任务 0–100 分的平均值,成功率见每行详情。 | GPT-6 Astra 29.0 | 现役依赖测试框架 | 3 | 2026年11月14日 |
| τ²-Bench Telecom (AA)不计入 Index | Artificial Analysis 运行的 τ²-Bench 电信领域测试。仅作参考。 | GLM 5.2 (max) 99.1% | 已饱和依赖测试框架 | 418 | 2026年7月9日 |
| FACTS Search不计入 Index | 把网络搜索当作工具使用,并在不编造任何内容的前提下综合搜索结果。由 Google 发布。 | Gemini 4 Carbon 94.4% | 已饱和依赖测试框架 | 26 | 2026年11月12日 |
| TheAgentCompany不计入 Index | 在模拟软件公司中完成办公任务。 | DeepSeek V3.2 42.9% | 已退役依赖测试框架 | 14 | 2025年9月29日 |
AI 智能体基准测试:常见问题
- 最有参考价值的 AI 智能体基准测试有哪些?
- 目前最有参考价值的 AI 智能体基准测试是 τ³-Banking(领先者:Qwen3.8 Max (max),51.3%)、Terminal-Bench(领先者:GPT-5.5,84.7%)和 BFCL Overall(领先者:Claude Opus 4.5,77.5%):它们都计入 BenchLeader Index,覆盖的模型多,而且尚未饱和。适用于:调用工具的产品、自动化,以及较长的多步骤任务。
- 哪个 AI 模型在 AI 智能体基准测试上表现最好?
- 截至 2026年11月16日:在智能体与工具基准测试中,Claude Fable 5.2(Anthropic)以 82.9 的智能体得分领先,其后为 GPT-6 Sol (Daybreak Blue, max)(72.3)和 Claude Opus 4.5(70.5)。类别得分先将每项基准测试标准化(50 代表平均水平的模型,15 分为一个标准差),再求平均,因此单项基准测试无法决定排名。
- 不同的 AI 智能体基准测试之间,分数可以相互比较吗?
- 只能在同一测试框架内比较。智能体基准测试评的是模型和它的脚手架整体:提示词、提供给它的工具、允许的轮数,以及失败后如何重试。同一个模型换一个测试框架,分数可能相差 10 到 20 分,所以请在同一发布方运行的同一个基准测试里比较模型,而不要跨基准测试比较。
- 哪些 AI 智能体基准测试已经饱和?
- 截至 2026年11月16日,MCP Atlas(接近饱和)、Terminal-Bench 2.1(接近饱和)、CyberGym end-to-end(接近饱和)、Cybench(接近饱和)、LiveBench Browser(接近饱和)、Time Horizon Index: KSP(接近饱和)、τ²-Bench Telecom(已饱和)、FACTS Search(已饱和)。第五名模型得分达到 90% 及以上时,该基准测试判定为“已饱和”;领先者达到 90% 或第五名达到 80% 时,判定为“接近饱和”。两者都根据数据判定,会随分数变化。
- 这个排行榜多久更新一次?
- BenchLeader 每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)重新读取每个发布方的结果,每次更新都会重建本页。各基准测试最新结果的日期见表格;各发布方按各自的时间表更新。
相关页面
引用格式:BenchLeader,《AI 智能体基准测试排行榜(2026年11月)》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/agents。