Databricks 出品的企业级文档推理基准：1939–2025 年美国财政公报约 9 万页语料上的 133 道多文档 grounding 推理题
Databricks 企业级文档推理：约 9 万页美国财政公报语料上的 133 道多文档题，准确率口径；仅靠参数知识不足 5%、加联网不足 12%、直接给语料后前沿 agent 平均 34.1%——分数必须连同检索/工具配置一起读。
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 7 场模型发布（收录 11 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。
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。
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。
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。
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%。
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。