分类分数 V3 排行榜
LMSpeed 最适合 AI Agent 的模型
从规划拆解、工具调用、环境执行和失败恢复等全部有效 Benchmark 对比最适合 AI Agent 的模型；正式排名遵循 LMSpeed 分类分数 V3 的证据与不确定性规则。
方法论 3.0查看方法论
当前结论
当前可见的正式排名中，GPT-5.6 Sol 的名次最高。它的全局名次是第 1 位，分类分为 70.5，80% 不确定性范围为 ±7.6。共有 48 个可见模型获得正式名次。这只代表本次评分运行。
查看 GPT-5.6 Sol 的详情排名会随新数据和方法更新。页面顶部显示本次运行日期。
当前可用榜单数据
- 收录模型
- 100
- 正式排名模型
- 48
- Benchmark 列
- 27
- 已有证据的维度
- 4/4
如何阅读 Benchmark 进度条
每个进度条只用于比较同一 Benchmark 列中的模型，长度相对于当前榜单展示的模型计算；它不是分类分数，也不能跨 Benchmark 列比较。
| 排名 | 模型 | LMSpeed 分类分 | 规划拆解 | 工具调用 | 环境与长程执行 | 恢复与完成可靠性 | 评级 | 证据覆盖 | 更新时间 | |||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Gert Labs50 个模型 | BenchLM Agentic score10 个模型 | DeepPlanning1 个模型 | Tau2-Telecom86 个模型 | MCP Atlas22 个模型 | Toolathlon21 个模型 | AA Tau3 Banking12 个模型 | TAU3-Bench9 个模型 | MCP-Tasks5 个模型 | GDPval-AA51 个模型 | Terminal-Bench 2.045 个模型 | BrowseComp25 个模型 | OSWorld-Verified21 个模型 | AA EnterpriseOps-Gym13 个模型 | AA ITBench12 个模型 | OSWorld 2.011 个模型 | VITA-Bench9 个模型 | DeepSearchQA8 个模型 | WideResearch7 个模型 | Claw-Eval28 个模型 | APEX-Agents-AA21 个模型 | JobBench19 个模型 | ResearchClawBench19 个模型 | AA Harvey LAB14 个模型 | AA Briefcase13 个模型 | CyberGym11 个模型 | ExploitGym5 个模型 | ||||||
| 正式排名模型48 | ||||||||||||||||||||||||||||||||
| 1 | GPT-5.6 SolOpenAI | 70.5±7.6 | — | — | — | 85.1 | — | 58.0 | 33.0 | — | — | 1748.0 | 91.9 | 92.2 | — | — | 56.2 | 62.6 | — | — | — | — | — | — | — | — | 1495.0 | 84.5 | 33.7 | 正式评级 | 3/4 个维度 · 10 个 Benchmark family | 2026年7月14日 |
| 2 | GPT-5.6 TerraOpenAI | 64.2±7.6 | — | — | — | 86.3 | — | 53.1 | 31.8 | — | — | 1593.0 | 87.4 | 87.5 | — | — | 51.0 | 50.2 | — | — | — | — | — | — | — | 2.5 | — | 81.8 | 23.2 | 正式评级 | 3/4 个维度 · 10 个 Benchmark family | 2026年7月14日 |
| 3 | Claude Opus 4.8Anthropic | 64.1±5.3 | 73.0 | — | — | 94.4 | 82.2 | 59.9 | 27.6 | — | — | 1600.0 | 74.6 | 84.3 | 83.4 | 44.0 | — | 20.6 | — | 93.1 | — | — | — | — | 21.1 | 7.5 | 1354.0 | — | — | 正式评级 | 4/4 个维度 · 13 个 Benchmark family | 2026年7月14日 |
| 4 | GPT-5.5OpenAI | 62.8±5.0 | 72.9 | — | — | 93.9 | 75.3 | 55.6 | 31.3 | — | — | 1494.0 | 82.0 | 84.4 | 78.7 | 46.6 | 45.8 | 13.0 | — | — | — | — | 37.7 | 42.7 | 17.0 | 4.2 | 1158.0 | 81.8 | 13.4 | 正式评级 | 4/4 个维度 · 17 个 Benchmark family | 2026年7月14日 |
| 5 | Grok 4.5xAI | 62.7±8.5 | — | — | — | — | — | — | 32.6 | — | — | 1543.0 | 83.3 | — | — | 40.8 | — | — | — | — | — | — | — | — | — | 13.3 | 1328.0 | — | — | 正式评级 | 3/4 个维度 · 6 个 Benchmark family | 2026年7月14日 |
| 6 | GLM-5.2Z.ai | 62.2±7.2 | — | — | — | 99.1 | 76.8 | 48.2 | 26.8 | — | — | 1514.0 | 81.0 | — | — | 42.7 | 42.7 | — | — | — | — | — | 33.7 | — | 20.7 | 7.5 | 1261.0 | — | — | 正式评级 | 3/4 个维度 · 11 个 Benchmark family | 2026年7月14日 |
| 7 | Claude Sonnet 5Anthropic | 60.8±8.3 | — | — | — | — | — | — | 28.2 | — | — | 1608.0 | 80.4 | 84.7 | 81.2 | 44.7 | — | — | — | — | — | — | — | — | — | 5.0 | 1390.0 | — | — | 正式评级 | 3/4 个维度 · 8 个 Benchmark family | 2026年7月14日 |
| 8 | GPT-5.6 LunaOpenAI | 60.6±7.6 | — | — | — | — | — | 53.4 | 27.2 | — | — | 1592.0 | 84.7 | 83.3 | — | — | 40.3 | 45.6 | — | — | — | — | — | — | — | 5.0 | — | 77.9 | 12.4 | 正式评级 | 3/4 个维度 · 10 个 Benchmark family | 2026年7月14日 |
| 9 | Gemini 3.5 FlashGoogle | 59.9±5.2 | 61.9 | — | — | 95.3 | 83.6 | 56.5 | 25.4 | — | — | 1349.0 | 76.2 | — | 78.4 | 50.1 | 40.3 | — | — | — | — | — | 47.1 | — | 18.0 | 1.7 | 866.0 | — | — | 正式评级 | 4/4 个维度 · 13 个 Benchmark family | 2026年7月14日 |
| 10 | Claude Opus 4.7 MaxAnthropic | 58.7±7.8 | — | — | — | 88.6 | 77.3 | — | — | — | — | 1500.0 | 69.4 | 79.3 | 78.0 | — | — | 18.2 | — | — | — | — | — | 45.9 | — | — | — | 73.1 | — | 正式评级 | 3/4 个维度 · 8 个 Benchmark family | 2026年7月14日 |
| 11 | MiniMax M3MiniMax | 58.7±7.4 | — | — | — | 88.9 | 74.2 | — | — | — | — | 1396.0 | 66.0 | 83.5 | 70.1 | 32.1 | — | 4.6 | — | — | — | 74.5 | — | — | 19.8 | 6.7 | 1111.0 | — | — | 正式评级 | 3/4 个维度 · 11 个 Benchmark family | 2026年7月14日 |
| 12 | Qwen3.7 MaxQwen | 58.3±5.5 | 64.3 | — | — | 94.7 | 76.4 | — | — | — | — | 1275.0 | 69.7 | — | — | 44.5 | 42.5 | — | 47.9 | — | — | 65.2 | — | — | 18.7 | — | 907.0 | — | — | 正式评级 | 4/4 个维度 · 11 个 Benchmark family | 2026年7月14日 |
| 13 | Qwen3.6 27BQwen | 56.7±6.6 | 54.8 | — | — | 94.2 | — | — | — | — | — | 1139.0 | 59.3 | — | — | — | — | — | — | — | — | 72.4 | — | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| 14 | GPT-5.4OpenAI | 56.6±5.1 | 64.9 | — | — | 87.1 | 70.6 | 54.6 | — | — | — | 1395.0 | 75.1 | 82.7 | 75.0 | — | — | — | — | 73.6 | — | 60.3 | 33.3 | 38.9 | 15.3 | — | — | 79.0 | 6.0 | 正式评级 | 4/4 个维度 · 15 个 Benchmark family | 2026年7月14日 |
| 15 | Claude Opus 4.6Anthropic | 55.9±5.7 | 61.9 | — | — | 84.8 | — | — | — | — | — | — | 65.4 | 83.7 | 72.7 | — | — | — | — | 73.7 | — | 70.4 | 33.0 | 36.7 | 19.9 | — | — | 66.6 | — | 正式评级 | 4/4 个维度 · 11 个 Benchmark family | 2026年7月14日 |
| 16 | Claude Opus 4.7Anthropic | 55.3±6.9 | 65.6 | — | — | 74.0 | — | — | — | — | — | — | — | — | — | — | — | 13.9 | — | — | — | — | — | — | 20.7 | — | — | — | — | 正式评级 | 4/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| 17 | Step 3.7 FlashStepFun | 55±5.7 | 51.6 | — | — | 98.5 | — | 49.5 | — | — | — | 1017.0 | 59.5 | 75.8 | — | — | — | — | — | 92.8 | — | 67.1 | 14.8 | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 9 个 Benchmark family | 2026年7月14日 |
| 18 | Qwen3.7 PlusQwen | 54.9±5.7 | — | — | 62.3 | 93.0 | 73.2 | — | — | — | — | 936.0 | 70.3 | — | 73.3 | — | — | 2.8 | 45.6 | — | — | 62.7 | 22.4 | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 9 个 Benchmark family | 2026年7月14日 |
| 19 | GLM-5.1Z.ai | 54.7±5.7 | 60.1 | — | — | 97.7 | 71.8 | — | — | 70.6 | — | 1257.0 | 63.5 | 68.0 | — | — | — | — | — | — | — | 62.3 | — | — | 18.2 | — | — | 68.7 | — | 正式评级 | 4/4 个维度 · 9 个 Benchmark family | 2026年7月14日 |
| 20 | Kimi K2.6MoonshotAI | 54±5.0 | 56.8 | — | — | 95.9 | 55.9 | 50.0 | 20.6 | — | — | 1190.0 | 66.7 | 83.2 | 73.1 | 38.5 | 31.2 | 4.6 | — | 92.5 | 80.8 | 62.3 | 28.5 | — | 18.0 | 0.0 | 809.0 | — | — | 正式评级 | 4/4 个维度 · 17 个 Benchmark family | 2026年7月14日 |
| 21 | Claude Sonnet 4.6Anthropic | 53.9±6.2 | 62.9 | — | — | 79.5 | — | — | — | — | — | — | 59.1 | — | 72.1 | — | — | 8.3 | — | — | — | 67.8 | — | 36.9 | — | — | — | 65.2 | — | 正式评级 | 4/4 个维度 · 7 个 Benchmark family | 2026年7月14日 |
| 22 | GPT-5.3 CodexOpenAI | 53.8±6.6 | 57.5 | — | — | 86.0 | — | — | — | — | — | — | 77.3 | — | 64.7 | — | — | — | — | — | — | — | — | 33.7 | — | — | — | — | — | 正式评级 | 4/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| 23 | MiMo-V2.5-ProXiaomi | 53.2±6.0 | 62.7 | — | — | 94.2 | — | — | — | 72.9 | — | 1266.0 | 68.4 | — | — | — | 38.2 | — | — | — | — | 63.8 | 2.4 | — | — | — | 872.0 | — | — | 正式评级 | 4/4 个维度 · 8 个 Benchmark family | 2026年7月14日 |
| 24 | DeepSeek V4 ProDeepSeek | 53±5.5 | 50.3 | — | — | 94.2 | 69.4 | 46.3 | — | — | — | 1307.0 | 59.1 | 80.4 | — | — | — | — | — | — | — | 59.8 | 24.3 | — | 17.1 | — | — | — | — | 正式评级 | 4/4 个维度 · 10 个 Benchmark family | 2026年7月14日 |
| 25 | GPT-5.4 MiniOpenAI | 52.1±8.1 | — | — | — | 83.3 | 57.7 | 42.9 | — | — | — | 1170.0 | 60.0 | — | 72.1 | — | — | — | — | — | — | — | 28.2 | — | — | — | — | — | — | 正式评级 | 3/4 个维度 · 7 个 Benchmark family | 2026年7月14日 |
| 26 | MiMo-V2.5Xiaomi | 51±8.9 | 46.9 | — | — | — | — | — | — | — | — | — | 65.8 | — | — | — | — | — | — | — | — | 62.3 | — | — | 16.9 | — | — | — | — | 正式评级 | 3/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| 27 | Qwen3.6 PlusQwen | 50.9±5.5 | 50.6 | — | — | 97.7 | 48.2 | 39.8 | — | 70.7 | 74.1 | 1135.0 | 61.6 | — | — | — | — | — | 44.3 | — | 74.3 | 58.8 | — | — | 18.0 | — | — | — | — | 正式评级 | 4/4 个维度 · 11 个 Benchmark family | 2026年7月14日 |
| 28 | Claude Opus 4.5Anthropic | 50.6±5.4 | 64.2 | — | — | 86.3 | 42.3 | 43.5 | — | 70.2 | 71.8 | — | 59.3 | — | 66.3 | — | — | — | 23.3 | — | 76.4 | 59.6 | — | 32.3 | — | — | — | 50.6 | — | 正式评级 | 4/4 个维度 · 12 个 Benchmark family | 2026年7月14日 |
| 29 | DeepSeek V4 FlashDeepSeek | 49.3±6.0 | 54.4 | — | — | 95.6 | 64.0 | 40.7 | — | — | — | 1188.0 | 49.1 | 53.5 | — | — | — | — | — | — | — | 57.8 | — | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 8 个 Benchmark family | 2026年7月14日 |
| 30 | GPT-5.2OpenAI | 49.1±6.6 | 46.5 | — | — | 84.8 | — | — | — | — | — | — | — | 65.8 | 47.3 | — | — | — | — | — | — | — | — | 34.3 | — | — | — | — | — | 正式评级 | 4/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| 31 | Gemini 3.1 ProGoogle | 49±5.8 | 56.9 | — | — | 95.6 | — | — | 16.5 | — | — | 962.0 | — | — | — | 42.2 | 30.3 | — | — | 69.7 | — | 57.8 | 32.0 | — | 13.3 | 0.0 | — | — | — | 正式评级 | 4/4 个维度 · 10 个 Benchmark family | 2026年7月14日 |
| 32 | Grok 4.3xAI | 48.5±5.9 | 43.9 | — | — | 97.7 | — | — | — | — | — | 1085.0 | — | — | — | 26.3 | 32.7 | — | — | — | — | — | 17.0 | — | 12.4 | 0.0 | 750.0 | — | — | 正式评级 | 4/4 个维度 · 9 个 Benchmark family | 2026年7月14日 |
| 33 | MiMo-V2-Pro | 48.3±8.9 | 36.7 | — | — | 95.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 57.8 | — | — | 15.3 | — | — | — | — | 正式评级 | 3/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| 34 | Claude Sonnet 4.5Anthropic | 48.1±8.8 | 48.5 | — | — | — | — | — | — | — | — | — | 50.0 | — | 61.4 | — | — | — | 17.0 | — | — | — | — | 27.7 | — | — | — | — | — | 正式评级 | 3/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| 35 | GLM-4.7Z.ai | 48±8.6 | 40.0 | — | — | 95.9 | — | — | — | — | — | 1163.0 | 41.0 | 52.0 | — | — | — | — | 15.5 | — | — | — | — | — | — | — | — | — | — | 正式评级 | 3/4 个维度 · 6 个 Benchmark family | 2026年7月14日 |
| 36 | Qwen3.6 35B A3BQwen | 47.7±5.9 | 42.6 | — | — | 95.3 | 62.8 | 26.9 | — | 67.2 | — | 1047.0 | 51.5 | — | — | — | — | — | 35.6 | — | 60.1 | 68.7 | — | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 9 个 Benchmark family | 2026年7月14日 |
| 37 | Qwen3.5-27BQwen | 47.3±8.7 | 39.4 | — | — | 93.9 | — | — | — | — | — | — | 41.6 | 61.0 | 56.2 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 正式评级 | 3/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| 38 | Mistral Medium 3.5Mistral | 47.1±6.3 | 39.1 | — | — | 94.2 | — | — | 14.4 | 91.4 | — | 929.0 | — | — | — | 33.7 | — | — | — | — | — | — | — | — | — | 0.8 | 503.0 | — | — | 正式评级 | 4/4 个维度 · 6 个 Benchmark family | 2026年7月14日 |
| 39 | Qwen3.5 | 46.5±5.3 | 46.8 | — | — | 95.6 | 46.1 | 36.3 | — | 68.4 | 74.2 | 960.0 | 52.5 | 62.0 | — | — | — | — | 43.7 | — | 74.0 | 56.8 | 15.3 | — | 14.2 | — | — | — | — | 正式评级 | 4/4 个维度 · 13 个 Benchmark family | 2026年7月14日 |
| 40 | GPT-5.4 NanoOpenAI | 46.1±8.1 | — | — | — | 76.0 | 56.1 | 35.5 | — | — | — | 1101.0 | 46.3 | — | 39.0 | — | — | — | — | — | — | — | 24.9 | — | — | — | — | — | — | 正式评级 | 3/4 个维度 · 7 个 Benchmark family | 2026年7月14日 |
| 41 | MiniMax M2.7MiniMax | 46±6.0 | 40.4 | — | — | 84.8 | — | 46.3 | — | — | — | 1160.0 | 57.0 | — | — | — | — | — | — | — | — | 48.7 | 10.6 | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 7 个 Benchmark family | 2026年7月14日 |
| 42 | Qwen3.5-35B-A3BQwen | 44.1±8.7 | 29.0 | — | — | 89.2 | — | — | — | — | — | — | 40.5 | 61.0 | 54.5 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 正式评级 | 3/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| 43 | Gemini 3 FlashGoogle | 43.4±8.9 | 56.6 | — | — | 43.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 49.2 | — | 11.4 | — | — | — | — | — | 正式评级 | 3/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| 44 | Gemini 3.1 Flash LiteGoogle | 43.2±6.9 | 38.5 | — | — | 31.3 | — | — | — | — | — | 639.0 | — | — | — | — | — | — | — | — | — | — | 12.2 | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| 45 | GLM-5Z.ai | 43.1±5.6 | 51.0 | — | — | 98.2 | 31.1 | 38.0 | — | 65.6 | 60.8 | — | 56.2 | — | — | — | — | — | — | — | 69.8 | 57.7 | 14.5 | — | — | — | — | 43.2 | — | 正式评级 | 4/4 个维度 · 10 个 Benchmark family | 2026年7月14日 |
| 46 | Kimi K2.5MoonshotAI | 40.7±5.2 | 45.9 | — | — | 95.9 | 29.5 | 27.8 | — | 65.7 | 59.1 | — | 50.8 | 60.6 | — | — | — | — | — | 77.1 | 72.7 | 52.3 | 11.5 | 8.7 | 14.0 | — | — | — | — | 正式评级 | 4/4 个维度 · 13 个 Benchmark family | 2026年7月14日 |
| 47 | DeepSeek V3.2DeepSeek | 39.6±6.9 | 29.6 | — | — | 78.9 | — | — | — | — | — | — | — | — | — | — | — | — | 18.5 | — | — | 40.2 | — | — | — | — | — | — | — | 正式评级 | 4/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| 48 | gpt-oss-120bOpenAI | 39±6.2 | 29.6 | — | — | 65.8 | — | — | — | — | — | 795.0 | — | — | — | 25.2 | 5.6 | — | — | — | — | — | 3.1 | — | — | 0.0 | — | — | — | 正式评级 | 4/4 个维度 · 7 个 Benchmark family | 2026年7月14日 |
| 估算模型（不排名）29 | ||||||||||||||||||||||||||||||||
| — | Kimi K2.7 CodeMoonshotAI | 55.1±11.2 | — | — | — | 90.1 | 76.0 | — | — | — | — | 1187.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.6 Max PreviewQwen | 54.7±11.8 | — | — | — | 95.9 | — | — | — | — | — | — | 65.4 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GLM-5 TurboZ.ai | 52.6±11.9 | — | — | — | 98.5 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 55.8 | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.2 CodexOpenAI | 52.1±9.3 | 51.8 | — | — | 92.1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 26.0 | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Grok Build 0 1xAI | 51.8±11.8 | 49.1 | — | — | — | — | — | — | — | — | 1214.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.1 CodexOpenAI | 50.5±9.3 | 49.7 | — | — | 83.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 26.2 | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.5-122B-A10BQwen | 50.1±10.6 | — | — | — | 93.6 | — | — | — | — | — | 980.0 | 49.4 | 63.8 | 58.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 5 个 Benchmark family | 2026年7月14日 |
| — | Gemini 3 ProGoogle | 49.9±9.3 | 63.2 | — | — | 87.1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 11.4 | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Hy3 previewTencent | 48.6±9.3 | 36.9 | — | — | 92.7 | — | — | — | — | — | — | 54.4 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | MiMo-V2-Flash | 48.5±11.8 | — | — | — | 83.9 | — | — | — | — | — | 826.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.1OpenAI | 48.5±9.3 | 41.2 | — | — | 81.9 | — | — | — | — | — | 988.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Qwen3 MaxQwen | 47.8±11.8 | 43.7 | — | — | 74.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GLM-5V TurboZ.ai | 47.5±9.3 | 30.8 | — | — | 98.5 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 53.8 | — | — | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Trinity Large ThinkingArcee AI | 47.1±11.8 | 32.5 | — | — | 90.1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Command ACohere | 46.9±11.8 | — | — | — | 80.7 | — | — | — | — | — | 712.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-5OpenAI | 46.5±9.3 | — | — | — | 86.5 | — | — | — | — | — | 1074.0 | — | — | — | — | — | — | — | — | — | — | — | 8.5 | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Ling 2.6 FlashinclusionAI | 46.1±11.8 | — | — | — | 86.0 | — | — | — | — | — | 542.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Claude Sonnet 4Anthropic | 45.1±9.3 | 39.7 | — | — | 52.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 18.4 | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Gemini 2.5 ProGoogle | 44.5±9.3 | 42.0 | — | — | 54.1 | — | — | — | — | — | 661.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | Grok 4.20xAI | 43.7±11.2 | 38.4 | — | — | — | — | — | — | — | — | — | 47.1 | — | — | — | — | — | — | 62.8 | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | GPT-4.1 MiniOpenAI | 42±11.8 | — | — | — | 52.9 | — | — | — | — | — | 496.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | MiMo-V2-Omni | 41.9±11.9 | — | — | — | 91.2 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 45.2 | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Mistral Large 3 | 40.6±11.8 | — | — | — | 24.6 | — | — | — | — | — | 629.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-4.1OpenAI | 39.9±11.8 | 25.6 | — | — | 47.1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | gpt-oss-20bOpenAI | 38.5±9.3 | — | — | — | 60.2 | — | — | — | — | — | 554.0 | — | — | — | — | — | — | — | — | — | — | 0.7 | — | — | — | — | — | — | 估算 | 3/4 个维度 · 3 个 Benchmark family | 2026年7月14日 |
| — | DeepSeek V3 | 36.3±11.8 | — | — | — | 22.8 | — | — | — | — | — | 212.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Llama 4 ScoutMeta | 34±11.8 | — | — | — | 15.5 | — | — | — | — | — | 79.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | GPT-4.1 NanoOpenAI | 33.8±11.8 | — | — | — | 17.3 | — | — | — | — | — | 32.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| — | Llama 4 MaverickMeta | 33.5±11.8 | — | — | — | 17.8 | — | — | — | — | — | -26.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 估算 | 2/4 个维度 · 2 个 Benchmark family | 2026年7月14日 |
| 暂定模型（不排名）23 | ||||||||||||||||||||||||||||||||
| — | Claude Fable 5Anthropic | 69.6±12.2 | — | — | — | — | — | — | — | — | — | 1760.0 | 84.3 | 86.9 | 85.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 4 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.5 ProOpenAI | 61.4±16.1 | — | — | — | — | — | — | — | — | — | — | — | 90.1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.4 ProOpenAI | 60.6±16.1 | — | — | — | — | — | — | — | — | — | — | — | 89.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O3 ProOpenAI | 58.2±16.5 | — | 59.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Hy3Tencent | 54.8±16.0 | — | — | — | 92.7 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | o4 Mini HighOpenAI | 54±16.5 | — | 44.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude 3.5 SonnetAnthropic | 51.9±16.5 | — | 36.9 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Gemini 1.5 ProGoogle | 50.8±16.5 | — | 32.9 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude 3 OpusAnthropic | 50.7±16.5 | — | 32.5 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-5.1 Codex MaxOpenAI | 50.7±16.0 | — | — | — | 83.0 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O3OpenAI | 50±16.0 | — | — | — | 80.7 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-4.6Z.ai | 49±16.0 | — | — | — | 76.9 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Opus 4.1Anthropic | 48.2±16.2 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 21.9 | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GPT-4 TurboOpenAI | 47.8±16.5 | — | 22.3 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Grok 3 | 47.3±16.5 | — | 20.4 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | GLM-4.5Z.ai | 46.5±16.5 | — | 17.6 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O1OpenAI | 46.1±16.0 | — | — | — | 62.6 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3.5 PlusAlibaba | 46±16.2 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 18.5 | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Qwen3 | 46±16.5 | — | 15.7 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | O1 ProOpenAI | 45.8±16.5 | — | 15.2 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Kimi K2MoonshotAI | 45.8±16.0 | — | — | — | 61.1 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Claude Haiku 4.5Anthropic | 44.2±16.2 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 16.0 | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
| — | Laguna M 1Poolside | 44.1±16.1 | — | — | — | — | — | — | — | — | — | — | 45.8 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 暂定 | 1/4 个维度 · 1 个 Benchmark family | 2026年7月14日 |
这个榜单衡量什么
哪个 AI 模型更适合 Agent 任务
这类榜单关注模型能否规划任务、调用工具、操作环境，并在失败后继续完成任务。它不只看模型会不会回答问题。
当前可用数据覆盖 4/4 个维度，并展示 27 个 Benchmark 列。
四个能力维度
四个维度来自分类蓝图。当前可用数据可能只覆盖其中一部分。没有证据的维度不会被写成已验证能力。
规划拆解
当前有 3 个 Benchmark 列提供这个维度的证据。
- Gert Labs
- BenchLM Agentic score
- DeepPlanning
工具调用
当前有 6 个 Benchmark 列提供这个维度的证据。
- Tau2-Telecom
- MCP Atlas
- Toolathlon
- AA Tau3 Banking
- TAU3-Bench
- MCP-Tasks
环境与长程执行
当前有 10 个 Benchmark 列提供这个维度的证据。
- GDPval-AA
- Terminal-Bench 2.0
- BrowseComp
- OSWorld-Verified
- AA EnterpriseOps-Gym
- AA ITBench
- OSWorld 2.0
- VITA-Bench
- DeepSearchQA
- WideResearch
恢复与完成可靠性
当前有 8 个 Benchmark 列提供这个维度的证据。
- Claw-Eval
- APEX-Agents-AA
- JobBench
- ResearchClawBench
- AA Harvey LAB
- AA Briefcase
- CyberGym
- ExploitGym
适合参考的 Agent 任务
- 调研助手。它需要搜索资料，整理证据，并根据新信息调整计划。
- 网页和电脑操作。它需要读懂界面，调用工具，并连续完成多个步骤。
- 多步业务自动化。它需要遵守规则，处理失败，并留下可检查的结果。
如何用这张榜单选择模型
- 第 1 步
先确认评级状态
只有正式评级模型才有名次。估算和暂定模型没有正式名次。
- 第 2 步
再看评分区间和证据
分数接近时，不要只看名次。还要查看不确定性、维度覆盖和 Benchmark 数量。
- 第 3 步
最后用真实任务测试
榜单不能替代你的测试。请同时检查质量、速度、价格、上下文和供应商限制。
先看你的工具和运行环境。再看恢复能力、速度、成本和权限控制。榜单第一不一定适合每个 Agent。
评级状态说明
正式评级
正式评级表示证据和重叠条件已满足。模型可以进入排名。
估算
估算表示已有部分证据，但还不满足正式排名条件。
暂定
暂定表示证据较少，或维度与 Benchmark family 覆盖还不满足估算条件。结果只适合早期观察。
Benchmark 与证据来源
证据来源名称和 Benchmark 分组来自当前可用评分数据。一个来源可以提供多个 Benchmark。
BenchLM
AA Briefcase、AA EnterpriseOps-Gym、AA Harvey LAB、AA ITBench、AA Tau3 Banking、APEX-Agents-AA、BenchLM Agentic score、BrowseComp、Claw-Eval、CyberGym、DeepPlanning、DeepSearchQA、ExploitGym、GDPval-AA、Gert Labs、JobBench、MCP Atlas、MCP-Tasks、OSWorld 2.0、OSWorld-Verified、ResearchClawBench、Tau2-Telecom、TAU3-Bench、Terminal-Bench 2.0、Toolathlon、VITA-Bench和WideResearch
AI Agent 模型排行榜如何生成
LMSpeed 将合格的第三方 Benchmark 先归入四个固定能力维度。Rated 模型满足正式排名所需的证据覆盖与重叠校准要求；Estimated 与 Provisional 模型继续展示，但不授予名次。
阅读分类分数方法论榜单限制
分类分来自当前收录的第三方 Benchmark。不同测试可能使用不同数据、提示和评分规则。榜单不代表永久结论，也不能代表每个真实任务。重要选择仍要用自己的数据和流程测试。
常见问题
当前可见模型中谁的正式名次最高
当前可见模型中，GPT-5.6 Sol 的正式名次最高。它的全局名次是第 1 位，分类分为 70.5。共有 48 个可见模型满足正式排名条件。这个结果只适用于页面所示的评分日期和方法版本。
不同分类的分数可以直接比较吗
不可以。每个分类使用不同的能力维度和证据。分类分只适合在同一张榜单内比较。需要比较不同任务时，请分别查看对应分类。
估算和暂定模型值得看吗
可以把它们当成候选模型。它们的证据还不够完整，所以没有正式名次。先看证据覆盖和不确定性，再用真实任务测试。
榜单多久更新一次
新的完整评分运行发布后，榜单会更新。页面顶部会显示当前运行日期和方法版本。LMSpeed 不保证固定的日更或周更时间。
排名第一就是最适合我的模型吗
不一定。你的任务还会受到速度、价格、上下文长度、工具支持、地区和供应商限制影响。榜单用于缩小范围，不能替代真实测试。
Agent 排名和推理排名有什么不同
推理榜关注逻辑、因果和证据验证。Agent 榜还关注规划、工具调用、环境执行和失败恢复。推理能力强，不等于能稳定完成真实 Agent 流程。