MCPMark

真实 MCP 服务的 CRUD 压力测试（127 任务）

基本信息

30 秒看懂

127 个真实 MCP 服务 CRUD 压力任务，pass@1 口径（0-100，越高越好）；最强 gpt-5-medium 仅 52.56%，平均每任务 16+ 轮交互、17+ 次工具调用——分数低是压力测试设计使然。

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。

模型发布采用时间轴

共收录 2 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-05 Alibaba / Qwen·国内

Qwen3.7-Max

上下文1M模态文本

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。

旗舰智能体跨框架泛化

查看模型变体与证据

MCPMark 60.8

2025

2025-12-01 DeepSeek·国内

DeepSeek-V3.2 / DeepSeek-V3.2-Speciale

本发布含 2 个变体，各变体规格见模型详情。

DeepSeek 官方将 V3.2 正式版定位为「强化 Agent 能力、融入思考推理」，是 DeepSeek 首个将思考与工具调用融合的模型。已收录 26 项评测覆盖数学竞赛、代码、知识与工具/Agent 使用：亮点 AIME 2025（Thinking）93.1、Codeforces（Thinking）2386。

开源权重思考融合工具调用Agent 增强

查看模型变体与证据

DeepSeek-V3.2 · MCPMark 38.0

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

相关评测（同类别）

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。