真实操作系统（Ubuntu/Windows/macOS）任务执行
在真实操作系统里干活（装软件/改配置/处理文件）。它是“数字打工人”模拟器。
虚拟机环境 + 结果状态校验
共收录 30 场模型发布（收录 45 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
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
面向日常任务、缺陷修复与文档、幻灯片、表格制作的更快更省的 Sonnet 模型，官方称比 Sonnet 5 快 30% 以上、多数任务成本最多低 30%。收录的 9 项评测以智能体编码与知识工作为主，如 Terminal-Bench 4.0 70.6%、GDPval-AA v2.1 1844。
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。
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%。
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。
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%。
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。
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。
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。
Google DeepMind / Gemini·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文将 Flash 系列定位为以效率、时延与可靠性支撑规模化 AI 智能体的主力款，3.6 Flash 在 3.5 Flash 基础上提升编码与知识工作且输出 token 减少 17%。4 项评测集中于代码、机器学习工程与计算机使用，亮点为 OSWorld-Verified 83.0% 与 MLE-Bench 63.9%。
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%。
Anthropic·国际
发布文将其定位为最具智能体能力（most agentic）的 Sonnet，支持可选努力档位、默认开启网络安全防护，并作为 Free/Pro 默认模型全量提供。评测集中于智能体编码、计算机使用、知识工作与安全评估，亮点为 Terminal-Bench 2.1 80.4% 与 OSWorld-Verified 81.2%。
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。
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%。
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。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 发布文将 Claude Opus 4.8 定位为 Opus 系列新旗舰，主打诚实性训练（放行自写代码缺陷的概率约为上代 1/4）与 effort 分档（默认 high，另有 extra/max），并随发布推出 Claude Code 动态工作流。已收录 9 项评测集中于编码、终端与计算机/知识工作 Agent：亮点 SWE-bench Pro 69.2、GDPval-AA Elo 1890。
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。
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%。
Moonshot AI / Kimi·国内
Kimi K2.6 是月之暗面的开源编码旗舰（Advancing Open-Source Coding），主打长程编码与代理蜂群（300 子代理 / 4000 步）。评测横跨编码、代理、数学与视觉：SWE-bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0（Terminus-2）66.7、HLE-Full w/ tools 54.0。
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。
ByteDance Seed / 豆包·国内
字节 Seed 系列页将 Seed2.0 Lite 定位为 Seed 基础模型系列首个全模态（omni-modal）理解模型，原生支持视频、图像、音频与文本的统一理解，并升级 Agent、Coding 与 GUI 能力，兼顾输出质量与响应速度，适合通用生产级场景。已收录评测覆盖文本智能体与编码、多模态理解、GUI 操作及视频与音频理解等领域，GPQA Diamond 88.4%、OSWorld Verified 64.4%。
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%。
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。
Moonshot AI / Kimi·国内
发布文以“视觉智能体智能”为题，将 K2.5 定位为在 K2 基础上经 15T 视觉+文本混合语料继续预训练的原生多模态模型，Agent Swarm 最多 100 个子智能体/1500 步。45 项评测覆盖视觉理解、视频、智能体搜索与编码，亮点为 OCRBench 92.3 与 BrowseComp（Agent Swarm 模式）78.4。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
Seed1.8 被发布文定位为通用化 Agentic 模型，覆盖 GUI/浏览器/移动操作、代理搜索、代理编码与经济价值领域任务，并提供三种思考模式。评测横跨代理、数学、STEM、知识、多模态与长视频等约 13 组：GAIA 87.4、BrowseComp-zh 81.3、AIME-25 94.3。
Anthropic·国际
发布文将其定位为小而快的轻量档模型，编码性能接近 Sonnet 4 而成本仅约三分之一、速度快一倍以上，计算机使用能力超过 Sonnet 4。11 项评测覆盖智能体编码、工具调用、计算机使用与数学推理，亮点为 AIME 2025（带 Python 工具）96.3% 与 τ2-bench Telecom 83.0%。
Anthropic·国际
Anthropic 发布 Claude Sonnet 4.5，作为面向编码、智能体与计算机使用场景的 Sonnet 新代，并同步推出 Claude Agent SDK。评测集中在编码与智能体领域，亮点如 SWE-bench Verified 77.2%（并行测试期计算 82.0%）、τ2-bench Telecom 98.0%。
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。