AgentBench 智衡

查看排行榜

Evaluation Runs

评测结果库

每一行都是一次真实评测记录，按模型、任务类型和指标筛选，点开查看完整评测过程、参数、工具调用日志与评分依据。榜单页见排行榜。

模型任务指标共 27 条

CLI 实测套件 v0 · 多轮对话任务

tool 75trust 96.7success 66.7progress 93.3efficiency 8.3

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 研究与操作任务

tool 90trust 95success 100progress 96.7efficiency 0

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 多轮对话任务

tool 35trust 80success 66.7progress 86.7efficiency 0

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 研究与操作任务

tool 85trust 93.3success 100progress 91.7efficiency 24.7

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 多轮对话任务

tool 95trust 98.3success 100progress 100efficiency 15

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 研究与操作任务

tool 100trust 100success 100progress 100efficiency 23.7

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 多轮对话任务

tool 20trust 83.3success 66.7progress 66.7efficiency 0

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

CLI 实测套件 v0 · 研究与操作任务

tool 75trust 86.7success 100progress 93.3efficiency 33.3

来源：内置评测套件 v0（CLI 真实跑分） · 样本 3

Claude Opus 4.8

LoopArena · Type III · 完整任务

ssr 20.99cost 16.82ci_hi 35.8ci_lo 7.41bs_success 14sc_success 3

来源：LoopArena Table 2 · 样本 1

Claude Opus 4.8

LoopArena · Type I · 合同选择

acc 76.67cost 13.68

来源：LoopArena Table 2 · 样本 1

Claude Opus 4.8

LoopArena · Type II · 任务切片

ssr 48.15cost 5.87ci_hi 65.43ci_lo 30.86bs_success 17sc_success 22

来源：LoopArena Table 2 · 样本 1

DeepSeek-V4-Flash-0731

LoopArena · Type I · 合同选择

acc 77.78cost 0.31

来源：LoopArena Table 2 · 样本 1

DeepSeek-V4-Flash-0731

LoopArena · Type II · 任务切片

ssr 45.68cost 2.1ci_hi 62.96ci_lo 28.4bs_success 17sc_success 20

来源：LoopArena Table 2 · 样本 1

DeepSeek-V4-Flash-0731

LoopArena · Type III · 完整任务

ssr 19.75cost 10.24ci_hi 34.57ci_lo 6.17bs_success 13sc_success 3

来源：LoopArena Table 2 · 样本 1

LoopArena · Type II · 任务切片

ssr 46.91cost 1.08ci_hi 64.2ci_lo 29.63bs_success 15sc_success 23

来源：LoopArena Table 2 · 参考策略 · 样本 1

LoopArena · Type III · 完整任务

ssr 18.52cost 5.58ci_hi 33.33ci_lo 6.17bs_success 12sc_success 3

来源：LoopArena Table 2 · 参考策略 · 样本 1

LoopArena · Type I · 合同选择

acc 74.44cost 3.02

来源：LoopArena Table 2 · 样本 1

LoopArena · Type II · 任务切片

ssr 37.04cost 1.63ci_hi 54.32ci_lo 20.99bs_success 22sc_success 8

来源：LoopArena Table 2 · 样本 1

LoopArena · Type III · 完整任务

ssr 16.05cost 4.86ci_hi 29.63ci_lo 3.7bs_success 13sc_success 0

来源：LoopArena Table 2 · 样本 1

LoopArena · Type II · 任务切片

ssr 51.85cost 5ci_hi 70.37ci_lo 34.57bs_success 18sc_success 24

来源：LoopArena Table 2 · 样本 1

LoopArena · Type III · 完整任务

ssr 24.69cost 18.84ci_hi 40.74ci_lo 9.88bs_success 14sc_success 6

来源：LoopArena Table 2 · 样本 1

LoopArena · Type I · 合同选择

acc 87.78cost 9.43

来源：LoopArena Table 2 · 样本 1

LoopArena · Type II · 任务切片

ssr 39.51cost 1.04ci_hi 55.56ci_lo 23.46bs_success 12sc_success 20

来源：LoopArena Table 2 · 参考策略 · 样本 1

LoopArena · Type III · 完整任务

ssr 18.52cost 2.01ci_hi 33.33ci_lo 4.94bs_success 10sc_success 5

来源：LoopArena Table 2 · 参考策略 · 样本 1

LoopArena · Type I · 合同选择

acc 72.22cost 0.7

来源：LoopArena Table 2 · 样本 1

LoopArena · Type II · 任务切片

ssr 48.15cost 4.3ci_hi 65.43ci_lo 30.86bs_success 18sc_success 21

来源：LoopArena Table 2 · 样本 1

LoopArena · Type III · 完整任务

ssr 23.46cost 6.89ci_hi 38.27ci_lo 9.88bs_success 14sc_success 5

来源：LoopArena Table 2 · 样本 1