ACEBench
工具调用与多智能体场景能力评测
基本信息
30 秒看懂
中英双语工具调用评测（Normal/Special/Agent 三类、8 域 4538 个 API），通过率越高越好；基础场景已趋饱和（GPT-4o 约 0.93），多轮 Agent 档最拉开差距（GPT-4o 约 0.72、小模型趋近 0）——读分重点看 Agent 档。
采用格局：Kimi K2 引用（评测管线借鉴）
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-07-11
Moonshot AI / Kimi·国内
本发布含 2 个变体，各变体规格见模型详情。
Kimi K2 以「Open Agentic Intelligence」为定位发布，Kimi-K2-Instruct 为后训练的非思考（reflex-grade）MoE 模型（1T 总参/32B 激活）。已收录 32 项评测覆盖代码、数学、知识与 Agent 工具使用：亮点 SWE-bench Verified（Agentic Coding）65.8、MMLU 89.5。
开源权重1T MoE非思考 reflex 档Agentic
查看模型变体与证据
Kimi-K2-Instruct · ACEBench 76.5
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。