UC Berkeley 出品的长程真实工作 Agent 基准：约 1500 道 55 职业 / 13 行业的专家实操任务，rubric 判分
官方口径：最难档前沿模型平均不足 1 分；领域差异大（计算数学/农业近 60 分，视觉媒体/教育低于 30 分）——分数分布由任务域主导，跨域均值意义有限。
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。
共收录 13 场模型发布（收录 22 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 将 GPT-6 Sol 定位为日常复杂高价值任务的旗舰级高性价比工作马，以 GPT-5.6 Sol 一半的价格提供接近 Astra 的智能；收录评测覆盖企业自动化、软件工程、计算机操作与专业考试，AutomationBench 达 33.2%、DeepSWE 达 68.8%。
Xiaomi / 小米·国内
本发布含 3 个变体，各变体规格见模型详情。
小米将 MiMo-V2.6-Pro 定位为该系列迄今能力最强的原生全模态模型，面向长程任务、网络安全与科研。发布页收录的评测以编码、通用智能体和安全为主，附录表 DeepSWE v1.1 为 71.9，Terminal-Bench 2.1 为 89.9。
StepFun / 阶跃星辰·国内
阶跃星辰发布的旗舰基座模型 Step 5 Preview，面向真实世界 Agentic 任务，在编程、软件工程、专业工作与金融方向上达到前沿水平。AA Intelligence Index 44 分；DeepSWE v1.1 67.7%、Terminal-Bench v2.1 85.0%、StepCodeBench 49.0%、FrontierFinance 66.4%、GDPval-AA v2 1571；模型将于 2026-10-15 正式开源。
Tencent / 腾讯混元·国内
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
Z.ai / 智谱 GLM·国内
GLM-5.3-Flash 以「Frontier Intelligence, Flash Cost」为定位发布，是 GLM-5 系列首个原生多模态模型（320B 总参/18B 激活，发布前以 ox-alpha 匿名测试）。已收录 16 项评测集中于终端编码、Agent 工具使用与视觉理解：亮点 Terminal-Bench 2.1 84.3、GDPval-AA v2 Elo 1773。
OpenAI·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文将 Sol 定位为 GPT-5.6 的旗舰档（medium/high/xhigh/max/ultra 五档努力级别）。36 项评测横跨智能体、编码、长上下文、科研医疗金融与安全，亮点为 BrowseComp 90.4% 与 Terminal-Bench 2.1 88.8%。
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3.8-Flash-Next 被发布文定位为迈向极致性价比的全新架构预览（GDN+QSA 混合注意力、N-gram Embedding、Muon 优化器），为 Qwen4 架构探路。评测覆盖代理编码/办公、多模态代理与通用推理：SWE-bench Pro 62.5、CoWorkBench 73.9、Toolathlon Verified 73.5、AndroidWorld 84.5。
DeepSeek·国内
DeepSeek 将 V4-Flash-Vision-Exp 定位为开启多模态 API 服务的实验性多模态模型，官方称其纯文本能力与 V4-Flash 持平、向 Opus-4.8 收敛多模态 Agent 差距。已收录 11 项评测（文本 Agent 与多模态 Agent 两组）：亮点 Terminal-Bench 2.1 83.9、CyberGym 75.3。
DeepSeek·国内
DeepSeek 发布 V4 Pro 正式版，同步上线 APP/网页端/API（API 模型名不变），官方定位为正式版增强了 Agent 能力、在生产环境中的性能表现提升尤为显著。本发布收录的 10 项评测全部为 Agent 向（编码智能体、网络安全、工具调用、数据科学与自动化智能体），官方以单张对比图给出与 GLM-5.2 / Kimi-K3 / Opus-4.8 / Fable 5 的对比，数值以人工读图确认前不计入公开计数。
Google DeepMind / Gemini·国际
Gemini 3.7 Flash 被定位为面向编码与代理的旗舰 workhorse 模型（most intelligent workhorse model for coding and agents）。评测聚焦编码与代理工作流并延伸到文档/视频理解：DeepSWE v1.1 65.3%、Terminal-bench 2.1 85.8%、WebDev Arena 1588 Elo、GDP.pdf 34.0%。
Alibaba / Qwen·国内
通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。
Z.ai / 智谱 GLM·国内
GLM-5.3 以「Frontier Coding with Emergent Cyber Capabilities」为定位发布（API thinking 档 low/high/max、默认 max 且不再支持关闭思考；权重承诺发布两周内开源）。已收录 22 项评测集中于编码与网络安全攻防：亮点 Terminal-Bench 2.1 88.2、CyberGym 84.5。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
字节 Seed2.1 发布将 Pro 定位为系列最高档，官方称评估优先考察真实工作流表现而非静态榜单分数。已收录评测横跨通用 Agent、编码、多模态与视频理解：亮点 GDPval 87.9、OSWorld 78.8。
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。
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。