客服场景多轮对话+工具调用，用户模拟器评分
模拟客服场景：多轮对话 + 调工具 + 不把用户惹毛。pass^k 要求连续 k 次都成功，是对稳定性的苛刻要求。
零售/航空域，pass^k（全部轨迹一致成功）
共收录 15 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
本发布含 4 个变体，各变体规格见模型详情。
面向本地运行的开放权重模型，支持推理与工具调用；本变体输入能力和上下文按官方发布页记录。
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%。
Z.ai / 智谱 GLM·国内
发布文以“推进编码能力”为题，将 GLM-4.7 定位为编码与智能体任务导向的模型，支持交错/保留/回合级思考模式。17 项评测覆盖数理推理、代码智能体与通用智能体，亮点为 HMMT 2025 二月场 97.1 与 τ²-Bench 87.4（SWE-bench Verified 73.8）。
DeepSeek·国内
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。
MiniMax·国内
发布文以“简中之巧（Ingenious in Simplicity）”为题，将 M2 定位为 agent 优先的开源权重模型，价格约为 Claude Sonnet 的 8%、速度约 2 倍。9 项评测集中于智能体编码、工具调用与搜索，亮点为 GAIA（纯文本）75.7 与 τ²-Bench 77.2。
Z.ai / 智谱 GLM·国内
智谱将 GLM-4.6 定位为具备高级 Agentic、推理与编程能力的模型，上下文由 128K 扩展至 200K，推理中可交织工具调用。评测以编码与智能体为主，亮点如 CC-Bench 对 Claude Sonnet 4 胜率 48.6%、AIME 25 93.9%。
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3-Max 发布以「大就是好（Just Scale it）」为题，Instruct 为超 1T 总参 MoE 旗舰（36T 预训练 tokens、全局 batch 负载均衡损失，ChunkFlow 支持 1M 长上下文训练）。已收录 9 项评测：亮点 SWE-bench Verified 69.6、LMArena 文本榜 1430。
Z.ai / 智谱 GLM·国内
智谱 AI 高性能极致性价比基座大模型，面向企业级大规模并发场景提供强大的文本理解与智能体调用能力。
Alibaba / Qwen·国内
Qwen3-Coder-480B-A35B-Instruct 以「Agentic Coding in the World」为定位发布，480B MoE/35B 激活，原生 256K 上下文（YaRN 可扩至 1M）。已收录 15 项评测集中于代码仓库、终端与浏览器/工具 Agent：亮点 SWE-bench Verified（OpenHands 500 turns）69.6、Terminal-Bench 37.5。
Moonshot AI / Kimi·国内
本发布含 2 个变体，各变体规格见模型详情。
Kimi K2 以「Open Agentic Intelligence」为定位发布，Kimi-K2-Instruct 为后训练的非思考（reflex-grade）MoE 模型（1T 总参/32B 激活）。已收录 32 项评测覆盖代码、数学、知识与 Agent 工具使用：亮点 SWE-bench Verified（Agentic Coding）65.8、MMLU 89.5。
Tencent / 腾讯混元·国内
本发布含 4 个变体，各变体规格见模型详情。
腾讯混元以「细粒度 MoE、80B 总参/13B 激活」开源 A13B 系列，Instruct 为指令版（256K 上下文，/think 与 /no_think 双模式，默认慢思考）。已收录 21 项 Instruct 表评测覆盖知识、数学、代码与 Agent 工具调用：亮点 AIME24 87.3、GPQA Diamond 71.2。
MiniMax·国内
MiniMax 稀疏混合专家大语言模型，支持 245K 超长上下文窗口与万级汉字复杂指令遵循。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Claude 4 发布中 Opus 4 为最强编码档，采用混合模式（近即时回答 + 扩展思考，扩展思考可与工具调用结合，beta）。已收录 22 项评测覆盖软件工程、终端、知识与 Agent：亮点 SWE-bench Verified 72.5%（并行测试时计算 79.4%）。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 将 o3 定位为其最强推理模型，在编码、数学、科学与视觉感知等领域推进前沿，并支持以图思考（Thinking with images）。该发布已收录评测覆盖数学、编程竞赛、科学推理、软件工程与智能体工具使用等领域，AIME 2025 配 Python 工具 pass@1 98.4%、100% consensus@8。
Moonshot AI / Kimi·国内
月之暗面面向深度推理的长思维链强化学习大模型，在数学奥林匹克、复杂编程与视觉长程推理任务上展现出突破性表现。
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。