智能体能力榜：工具调用与长任务排名

AITIER分领域模型榜

智能体榜看的是「自己干活」：拆任务、调工具、看结果、发现走错就回头改。适合要接进业务流程的 Agent 选型。

已收录榜单 11 个榜 · 2,350 条成绩 原榜生效 2026-10-28 · 数据时间 2026-10-28 15:39:51

本页是智能体能力榜第 1 / 3 页，本榜共收录 126 条成绩，榜首 GPT-6 Astra （76 分 · OpenAI）。分数是归一化相对分（0~100，100 为榜单方设定的参考上限，当前榜首不一定到 100），不等于原始 benchmark 分。分数与名次照原榜公布的结果列出，名次不改写，跨榜之间也不能直接比大小。智能体榜的分差往往来自流程稳定性，而不是单步能力：一步走偏后面全会崩。原榜本轮成绩生效于 2026-10-28，这份数据的时间是 2026-10-28 15:39:51（北京时间）。

本榜收录 126 条成绩 第 1 页 50 条 · 每页 50 条

本榜榜首 GPT-6 Astra 76 分（0~100 归一化相对分） · OpenAI

数据更新日 2026-10-28 原榜成绩生效日 · 这份数据的时间 2026-10-28 15:39:51

收录榜单 11 个榜 全栏合计 2,350 条成绩，读法见页底

智能体能力榜名次

126 条成绩 · 第 1 / 3 页

名次与分数照原榜公布的结果列出，名次不改写。得分条长度就是分数本身（0~100 的同一区间），翻到第二页也还是同一刻度，所以行与行、页与页之间的条长可以直接比；「差榜首」是相对本榜第一名差了多少分，「—」表示它就是榜首。原榜没给的数值显示「—」。

智能体能力榜（126 条成绩，第 1 页）：归一化相对分排名
排名	模型	得分	开源	发布日	差榜首
1	GPT-6 Astra (Max) OpenAI	76/100	闭源	2026-09-03	—
2	Claude Opus 5.5 (Max, Default Fallback) Anthropic	73/100	闭源	2026-09-22	-3.0
3	Ling-3.0-flash-Fin InclusionAI	73/100	闭源	2026-09-11	-3.0
4	Grok 4.5 (High) SpaceXAI	70/100	闭源	2026-07-08	-6.0
5	Mistral Large 4 Preview Mistral	69/100	闭源	2026-10-06	-7.0
6	Muse Spark 1.3 (Max) Meta	68/100	闭源	2026-09-02	-8.0
7	Gemini 4 Argon (High) Google	67/100	闭源	2026-09-30	-9.0
8	Claude Opus 4.7 (Max) Anthropic	66/100	闭源	2026-04-16	-10.0
9	Claude Sonnet 5.5 (Max, Default Fallback) Anthropic	66/100	闭源	2026-09-28	-10.0
10	GPT-5.6 Sol (Max) OpenAI	66/100	闭源	2026-07-09	-10.0
11	Muse Spark 1.1 (Xhigh) Meta	65/100	闭源	2026-07-09	-11.0
12	Qwen3.7 Max Alibaba	65/100	闭源	2026-05-19	-11.0
13	Qwen3.8-Flash-Next Alibaba	65/100	开源	2026-08-26	-11.0
14	Qwen3.8 Flash Alibaba Cloud / Qwen Team	65/100	闭源	2026-08-26	-11.0
15	Qwen3.8 Omni Flash Alibaba Cloud / Qwen Team	65/100	闭源	2026-09-18	-11.0
16	Kimi K2.7 Code Kimi	64/100	开源	2026-06-12	-12.0
17	Claude Sonnet 4.6 (Non-reasoning, High) Anthropic	63/100	闭源	2026-02-17	-13.0
18	Ling 3.0 Flash InclusionAI	63/100	闭源	2026-08-04	-13.0
19	Beam 1.0 Reflection AI	62/100	开源	2026-10-16	-14.0
20	GLM-5 (Reasoning) Z AI	62/100	开源	2026-02-11	-14.0
21	Qwen3.5 397B A17B (Non-reasoning) Alibaba	62/100	开源	2026-02-16	-14.0
22	MiniMax-M3.1-Flash MiniMax	61/100	闭源	2026-10-19	-15.0
23	Gemini 3.1 Pro Preview Google	60/100	闭源	2026-02-19	-16.0
24	Gemini 3.5 Flash (High) Google	60/100	闭源	2026-05-19	-16.0
25	Qwen3.8 Max (0902) Alibaba	60/100	开源	2026-09-02	-16.0
26	Mercury 3 Inception	59/100	闭源	2026-10-19	-17.0
27	Gemma 4 26B A4B (Reasoning) Google	58/100	开源	2026-04-02	-18.0
28	Gemma 4 31B (Reasoning) Google	58/100	开源	2026-04-02	-18.0
29	Muse Wonder Full (Max) Meta	58/100	闭源	2026-10-12	-18.0
30	Muse Wonder Full Meta	58/100	闭源	2026-10-12	-18.0
31	Claude Opus 4.6 (Non-reasoning, High) Anthropic	57/100	闭源	2026-02-05	-19.0
32	Gemini 3 Pro Preview (Low) Google	57/100	闭源	2025-11-18	-19.0
33	DeepSeek V4.1 Flash 1017 (Max) DeepSeek	55/100	开源	2026-10-17	-21.0
34	GLM-5.3-Flash Z AI	55/100	开源	2026-08-26	-21.0
35	Gemini 3 Flash Preview (Non-reasoning) Google	54/100	闭源	2025-12-17	-22.0
36	GPT-6 Sol (Max) OpenAI	54/100	闭源	2026-09-22	-22.0
37	Qwen3.6 Plus Alibaba	54/100	闭源	2026-04-02	-22.0
38	Qwen3.7 Plus Alibaba	54/100	闭源	2026-06-01	-22.0
39	Claude Opus 4.8 (Max) Anthropic	53/100	闭源	2026-05-28	-23.0
40	Inkling (Xhigh) Thinking Machines	52/100	开源	2026-07-15	-24.0
41	Kimi K2.6 (Non-reasoning) Kimi	52/100	开源	2026-04-20	-24.0
42	Kimi K3 (Max) Kimi	52/100	开源	2026-07-16	-24.0
43	GLM-5.3 (Max) Z AI	51/100	开源	2026-08-18	-25.0
44	Nova 2 Pro Amazon	51/100	闭源	2025-12-02	-25.0
45	Claude Fable 5 (Max, Opus 4.8 Fallback) Anthropic	50/100	闭源	2026-06-09	-26.0
46	Claude Haiku 5.5 (Max) Anthropic	50/100	闭源	2026-10-07	-26.0
47	GPT-5.5 (Xhigh) OpenAI	50/100	闭源	2026-04-23	-26.0
48	GPT-Rosalind OpenAI	50/100	闭源	2026-09-11	-26.0
49	Grok 4.7 (Xhigh) SpaceXAI	50/100	闭源	2026-09-21	-26.0
50	Qwen3.5 122B A10B (Non-reasoning) Alibaba	50/100	开源	2026-02-24	-26.0

这个榜怎么看

评分方式与读榜要点

看榜前先确认这三件事

覆盖范围11 个能力方向通用智力、代码、数学、科学、推理、智能体、多模态与生成类各有专榜

评分方式归一化相对分（0~100）100 是区间顶端、不是满分：当前榜首不一定到 100，也不等于原始 benchmark 分

读榜要点看分档，不看小数点同一档模型的分差常落在统计噪声内；跨榜之间没有共同单位

适合谁看按用途挑模型先定方向再看本榜名次，缩到两三款之后再比价格与上下文

常见问题

只回答这一栏的问题

逐个榜以外的问题见 /glossary

100 分是满分吗？

不是。100 只是 0~100 区间的顶端，当前榜首不一定到 100——有的榜榜首只有 90 多分、甚至 70 多分，这属于正常。分数是把各模型的原始成绩折算到同一区间后的相对值，不是答对率、也不是 Elo 分，这里不再换算一次。

不同榜的分数能横向比大小吗？

不能。每个榜的题库、判分方式与统计方式都不同，通用榜 90 分和代码榜 90 分之间没有共同单位；同一个模型在两张榜上分数不同也不代表它「偏科」。只能看它在同一个榜里的位置。

为什么同一个模型会出现好几条成绩？

榜单按「具体版本」收录：不同推理档位（如 high / max）、不同上下文配置的成绩会被拆成多行，分数也不一样。这里保留原有的行数，所以名次表里的行数会多于模型品牌数。

数据来自 aitier.net 的分领域模型榜，它聚合 Artificial Analysis 与 LLM Stats 的成绩；名次与分数按原榜原样收录。