BenchLeader

LiveBench Long Agentic 排行榜

截至 2026年11月16日,LiveBench Long Agentic 的最高分为 82.9%,由 Claude Fable 5.2(Anthropic)取得,领先于 GPT-6 Astra(75.6%)。共有 34 个模型配置公布了结果(LiveBench,结果日期 2026年11月6日)。LiveBench 的长周期智能体套件:多步骤工作,早期的决策必须在之后的轮次、月份或测试用例中依然站得住。LiveBench Long Agentic 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • Claude Fable 5.2 以 82.9% 保持 LiveBench Long Agentic 最高分(LiveBench,2026年11月6日)。
  • GPT-6 Astra 以 75.6% 位列 LiveBench Long Agentic 第二(LiveBench,2026年11月6日)。
  • LiveBench Long Agentic:LiveBench 2.0 长周期智能体套件(LiveBench)。
  • BenchLeader 上有 34 个模型配置公布了 LiveBench Long Agentic 结果(BenchLeader,2026年11月16日)。
  • LiveBench Long Agentic 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

LiveBench 2.0 长周期智能体套件。

发布方
LiveBench
类别
智能体与工具
Index 权重
仅作参考
模型
34
数据截至
2026年11月16日

LiveBench (livebench.ai), White et al. 2024.

测试内容

LiveBench 的长周期智能体套件:多步骤工作,早期的决策必须在之后的轮次、月份或测试用例中依然站得住。

评分方式

该套件 0–100 的任务平均分,取自单次运行。

注意事项

长周期且依赖测试框架;0 分可能意味着运行失败,而不是做了一部分。

34 / 34
#
1新Claude Fable 5.2xhigh82.9%69.7$2896.70$160.931.4M2026-11-06
2GPT-6 Astramax75.6%67.3$911.16$50.62236k2026-11-06
3Claude Fable 5.1max74.2%66.7$1445.29$80.29349k2026-11-06
4Claude Opus 5.5max72.8%68.4$1510.52$83.921.1M2026-11-06
5Gemini 4 Carbonhigh72.7%68.9$162.99$9.05310k2026-11-06
6GPT-6.1 Solmax65.6%66.6$115.59$6.42215k2026-11-06
7Claude Sonnet 5.5max63.4%64.2$1257.99$69.892.7M2026-11-06
8新Gemini 4 Hydrogenxhigh61.8%61.8$128.74$7.15307k2026-11-06
9Gemini 4 Argonhigh58.5%65.3$159.75$8.88279k2026-11-06
10GPT-6.1 Terramax56.2%64.1$110.63$6.15276k2026-11-06
11Muse Spark 1.3max47.9%60.6$202.69$11.26266k2026-11-06
12Claude Haiku 5.5max47.9%55.3$292.47$16.253.2M2026-11-06
13Muse Wondermax46.2%60.8$295.86$16.44182k2026-11-06
14Grok 4.7xhigh45.3%57.4$615.73$34.21260k2026-11-06
15DeepSeek V4.1 Flash 1017max38.8%57.7$25.52$1.42416k2026-11-06
16Kimi K3.1 Promax38.7%59.9$109.69$6.09121k2026-11-06
17MiMo-V2.6-Prohigh36.4%–$15.96$0.887324k2026-11-06
18Kimi K3max36.0%60.2$318.18$17.68230k2026-11-06
19Qwen3.8 Maxmax26.6%58.7$298.62$16.59402k2026-11-06
20GPT-5.6 Terramax25.9%59.5$220.73$12.26164k2026-11-06
21MiniMax M3.1 Flashmax25.7%–$23.38$1.30407k2026-11-06
22GPT-6 Lunamax24.7%55.1$12.00$0.667254k2026-11-06
23Mistral Large 4high24.7%48.3$69.48$3.86208k2026-11-06
24GLM 5.3 Flashmax20.7%52.4$26.84$1.49237k2026-11-06
25Step 5 Previewmax19.4%–$162.98$9.05434k2026-11-06
26Grok 4.6xhigh18.7%56.1$262.32$14.57133k2026-11-06
27Gemini 3.8 Flashhigh16.5%59.4$102.75$5.71234k2026-11-06
28Qwen3.8 27Bmax15.9%–$139.86$7.77335k2026-11-06
29Muse Spark Openmax12.1%–$98.95$5.50132k2026-11-06
30Nemotron Super VL 3.5max12.0%–$29.77$1.65184k2026-11-06
31Smaug Nemotron 3.5 NVFP4max11.3%–$20.71$1.15217k2026-11-06
32Nemotron Super VL 3.5 NVFP4max11.0%–$16.99$0.944194k2026-11-06
33Inklingmax9.8%–$195.53$10.86156k2026-11-06
34Gemma 4 31Bmax8.5%–$17.43$0.96948k2026-11-06

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《LiveBench Long Agentic 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/livebench_long_agentic。

LiveBench Long Agentic:常见问题

LiveBench Long Agentic 衡量的是什么?
LiveBench 的长周期智能体套件:多步骤工作,早期的决策必须在之后的轮次、月份或测试用例中依然站得住。分数以完成任务的百分比表示,越高越好。
LiveBench Long Agentic 的最高分是多少?
截至 2026年11月16日,LiveBench Long Agentic 的最高分为 82.9%,由 Claude Fable 5.2 取得(结果日期 2026年11月6日),领先于 GPT-6 Astra(75.6%)。分数来自 LiveBench,每天重新读取。
哪个 AI 模型在 LiveBench Long Agentic 上领先?
截至 2026年11月16日,LiveBench Long Agentic 排名第一的是 Claude Fable 5.2,分数为 82.9%(结果日期 2026年11月6日)。其后为 GPT-6 Astra(75.6%)。
有多少模型有 LiveBench Long Agentic 结果?
BenchLeader 上有 34 个模型配置有 LiveBench Long Agentic 结果,全部取自 LiveBench。
LiveBench Long Agentic 由谁运行,多久更新一次?
LiveBench Long Agentic 由 LiveBench 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
LiveBench Long Agentic 是否计入 BenchLeader Index?
不计入。LiveBench Long Agentic 仅作参考展示,不计入综合分数。