Zapier 出品的业务自动化基准：通过 REST API 跨应用编排销售/市场/运营/支持/财务/HR 的真实工作流
Zapier 业务自动化基准：销售/市场/运营/支持/财务/HR 六域各 100 题（公开集 600 题、47 个模拟 SaaS 工具），严格口径=全部断言通过才计 1 分，越高越好；2026 年中最强约 50%——真实业务工作流远未攻破。
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 19 场模型发布（收录 29 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Google DeepMind / Gemini·国际
Google 的新前沿模型，面向真实软件工程、法律与金融等企业知识工作和网络安全防御，输出 token 上限提升到 1M。收录的 7 项评测以编码、智能体与安全为主，如 DeepSWE v1.1 77.9%、LVBench 91.7%；目前仅向可信网络防御者开放。
OpenAI·国际
GPT-6 Sol 的升级版，定位是在智能体编程、计算机使用和专业工作上更接近 GPT-6 Astra，而标准价格仅为 Astra 的五分之一。收录的 7 项评测中 5 项为图表行（数值未读出），正文明示的事实错误率为 4.1%。
Anthropic·国际
面向代码、计算机操作和知识工作的模型。官方表格提供不同任务的分数，但协议与回退模型影响比较范围。
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。
DeepSeek·国内
DeepSeek 新一代非对称 Causal-Encoder-Decoder (CED) 架构的首款多模态 MoE 模型，总参 552B 仅激活 8B 输入与 16B 输出，KV Cache 显存缩减至 1/4；在 Terminal-Bench 2.1 达到 90.6%、GPQA Diamond 90.9%、DeepSWE v1.1 74.2% 与 CyberGym 88.1%，全面替代并下线 V4-Pro。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
发布文定位：编码与知识工作上世界最先进的模型，其研究能力是 AI 将参与科学进步的早期一瞥。本档已收录 9 项基准，覆盖智能体科研、智能体编码、知识工作、计算机操作与商业工作流；亮点：Terminal-Bench 4.0 55.8%、Humanity's Last Exam（with tools）65.0%。
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%。
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。
Anthropic·国际
Anthropic 发布 Claude Opus 5，effort 分档 high/xhigh/max 并提供 Fast 模式；页面数值多为图表与对比性表述（含大量内部评测）。已收录 18 项评测覆盖前沿编码、Agent 操作与法律/健康/生物专业域：亮点 DeepSWE v1.1 68.8、BrowseComp 90.8。
Moonshot AI / Kimi·国内
Kimi K3 以「Open Frontier Intelligence」为定位发布（权重承诺 2026-07-27 前开源），评测统一 reasoning effort=max、temperature=1.0。已收录 35 项以上评测覆盖编码、Agent、搜索与多模态：亮点 Terminal-Bench 2.1 88.3、BrowseComp（1M 上下文）90.4。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 以「Claude Fable 5 与 Claude Mythos 5」联合公告发布 Fable 5：一款带安全护栏的 Mythos 级模型，在网络安全/生物化学/蒸馏话题上按分类器回退到 Opus 4.8（影响 <5% 会话）。评测覆盖智能体编码、知识工作、计算机使用与生物安全，亮点如 SWE-Bench Pro 80.3%、OSWorld-Verified 85.0%。
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。