Scale AI 出品的 MCP 工具能力基准：1000 道人写任务横跨 36 个真实 MCP 服务器与 220 个工具，claim 级评分
0.75 claim 覆盖阈值下旗舰最高 82.2 分；63.3% 的诊断失败是认知性（综合/提前停止）而非工具调用本身——分数低不等于不会调工具。
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 21 场模型发布（收录 26 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
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。
Meta / Llama·国际
Muse Glimmer 30B 被 Meta 定位为可在消费级设备上运行的开源代理模型（Apache 2.0，由 Muse Spark 蒸馏，24-32GB 显存可跑）。评测覆盖通用代理、代理编码、多模态与安全：MCP Atlas 75.5%、SWE-bench Verified 76.0%、AIME 2026 94.7%；另提供 K-Quant 量化档与 DFlash 投机解码加速。
Meta / Llama·国际
本发布含 2 个变体，各变体规格见模型详情。
Meta 将 Muse Spark 1.2 定位为 Muse Spark 1.1 的编码向升级版，与 Muse Code 终端代理协同训练，经 Muse Code、Meta Model API、OpenRouter 提供。已收录 5 项评测集中于终端与软件工程 Agent：亮点 Terminal-Bench 2.1 82.9、DeepSWE 1.1 59.3，另含 GDPval-AA v2 与 MCP Atlas 第三方条目（未录数值）。
Meta / Llama·国际
Meta 将 Muse Spark 1.1 定位为可主动管理自身 1M token 上下文窗口的智能体基础模型，随发布同步上线 Meta Model API 公测，并已在 Meta AI 应用与 meta.ai 的 Thinking 模式可用。已收录评测覆盖智能体编码与工具调用、计算机操作、网络安全及生物/化学安全评估等领域，Terminal-Bench 2.1 80.0%、OSWorld Verified 80.8%。
Tencent / 腾讯混元·国内
腾讯发布混元 Hy3：295B 总参/21B 激活 MoE、256K 上下文、三种思考模式，Apache 2.0 开源。评测覆盖编码、智能体搜索与推理，亮点如 SWE-bench Verified 78%、BrowseComp 84.2%。
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。
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。
Z.ai / 智谱 GLM·国内
智谱将 GLM-5.2 定位为面向长周期任务构建的模型，提供稳固支撑长程工作的 1M 上下文与更强编码能力（High/Max 档位控制），权重以 MIT 协议完全开源。已收录评测聚焦智能体编码与工具调用、长程软件工程与数学推理等领域，AIME 2026 99.2、Terminal-Bench 2.1（Terminus-2）81。
MiniMax·国内
本发布含 2 个变体，各变体规格见模型详情。
MiniMax M3 被发布文定位为将前沿编码、1M 上下文与原生多模态合一的单模型（Frontier Coding, 1M Context, Native Multimodality - All in One Model），采用 MSA 稀疏注意力并支持思考开关。评测覆盖编码、协作代理、GUI 与多模态：SWE-Bench Verified 80.5、BrowseComp 83.52、OSWorld-Verified 70.06、IMO 2025 35/42。
Google DeepMind / Gemini·国际
Google 在 I/O 2026 发布 Gemini 3.5 首个模型 Gemini 3.5 Flash，定位「frontier intelligence with action」，并成为 Gemini 应用与 Search AI Mode 的默认模型。评测横跨终端智能体、多模态理解与抽象推理，亮点如 Terminal-Bench 2.1 76.2%、MCP Atlas 83.6%，页面并称输出速度约为其他前沿模型 4 倍。
Alibaba / Qwen·国内
发布文以“智能体新前沿”为题，将 Qwen3.7-Max 定位为面向智能体时代的新一代旗舰（经阿里云百炼 API 提供，在 Claude Code/OpenClaw/Qwen Code 间泛化）。40 余项评测覆盖智能体编码、工具与办公场景及数理推理，亮点为 HMMT 2026 二月场 97.1 与 SWE-bench Verified 80.4。
DeepSeek·国内
本发布含 2 个变体，各变体规格见模型详情。
DeepSeek 发布 V4 预览版「迈入百万上下文普惠时代」，V4-Pro 为旗舰：1M 上下文、思考/非思考双模式、reasoning_effort high/max。评测覆盖推理、编码、智能体与百万级长上下文，亮点如 GPQA Diamond 90.1%、Codeforces 3206。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 发布 GPT-5.5，提供 low/medium/high/xhigh 推理档（另有非推理模式）。评测横跨智能体编码、知识工作、长上下文与科学/网络安全，亮点如 Terminal-Bench 2.0 82.7%、ARC-AGI-2 85.0%。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 将 Claude Opus 4.7 定位为在高级软件工程上较 Opus 4.6 显著提升、最难任务上增益尤为明显的旗舰模型，同时大幅增强视觉分辨率；这也是首个按 Project Glasswing 分级防护方案发布的模型。已收录评测覆盖智能体编码与终端、长上下文检索、计算机操作、网络安全与多学科推理等领域，SWE-bench Verified 87.6、GPQA Diamond 94.2。
Z.ai / 智谱 GLM·国内
GLM-5.1 被 z.ai 定位为面向长程任务（Towards Long-Horizon Tasks）的代理工程旗舰，强调数百轮持续优化与长时程任务能力。评测集中在推理、编码与代理三类：SWE-Bench Pro 58.4、Terminal-Bench 2.0（Terminus-2）63.5、BrowseComp（w/ 上下文管理）79.3、HLE w/ Tools 52.3。
OpenAI·国际
本发布含 4 个变体，各变体规格见模型详情。
OpenAI 将 GPT-5.4 定位为融合 GPT-5.3-Codex 编码谱系的新旗舰（ChatGPT 内 Thinking 模式，effort none/low/medium/high/xhigh，1M 上下文，原生计算机操作与工具搜索）。已收录 90 余项评测横跨知识工作、编码、计算机操作与长上下文：亮点 GDPval 83.0%、OSWorld-Verified 75.0%。
Google DeepMind / Gemini·国际
Google 将 Gemini 3.1 Pro 定位为「为最复杂任务打造的更聪明模型」，基于 Gemini 3 Pro，发布时为 preview（thinking 档 low/medium/high）。已收录 19 项评测横跨推理、代码、多模态与长上下文：亮点 GPQA 94.3%、SWE-bench Verified 80.6%。
Z.ai / 智谱 GLM·国内
智谱以「From Vibe Coding to Agentic Engineering」为主题发布 GLM-5：744B 总参/40B 激活的 MoE（DSA 架构，28.5T 预训练 tokens），MIT 许可开源。评测覆盖推理、编码与通用智能体，亮点如 HMMT 2025.11 96.9%、τ²-Bench 89.7%。
Anthropic·国际
Claude Opus 4.6 是 Anthropic 的旗舰模型，引入多档推理努力（low/medium/high/max）、自适应思考、上下文压缩与 1M 上下文 beta。评测覆盖代理编码/工具/搜索、法律与多语言问答：SWE-bench Verified 80.8、GPQA Diamond 91.3、ARC-AGI-2 68.8、BrowseComp 84.0。
Google DeepMind / Gemini·国际
Gemini 3 Flash 以「为速度打造的前沿智能」为定位发布，上线即为 Gemini 应用与搜索 AI Mode 默认模型（发布时为 preview）。已收录 25 项评测横跨推理、代码、多模态与 Agent：亮点 AIME 2025（带代码执行）99.7%、SWE-bench Verified 78%。
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。