首页

LLM测试榜单

智能体指数表现排行榜

更新时间：2025-12-31, 所有被测模型都是思考模型，其中Gemini和OpenAI的思考力度设为high 智能体指数衡量的是LLM的通用Agent能力，包括记忆能力、工具调用、规划、编程等，该指数综合了多个评测集的平均表现，分数越高代表模型在Agent任务中的能力越强。该指数的相关测试尚未完成，目前排名不代表最终结果。

核心评估指标

MRCR 长文本召回能力 查看详情 →
Tau2Bench 工具调用能力 查看详情 →
VitaBench 工具调用和规划能力 查看详情 →
MultiChallenge 指令跟随能力 查看详情 →
IFBench 指令跟随能力 查看详情 →
Terminal-bench-2 编程能力（规划中）
longBench v2 长文本召回能力（规划中）

模型与评测集对比

选择模型

点击搜索并选择模型...

选择评测集

点击搜索并选择评测集...

金融指数

面向金融行业的专业评估指标正在开发中。

电商指数

面向电商行业的专业评估指标正在开发中。