自托管真实网站（购物/论坛/GitLab）上的长程网页任务
在自托管的真实网站（购物/论坛/GitLab）里完成多步任务。分数普遍很低——开放网页是 Agent 的硬骨头。
环境状态终检（非文本匹配）
共收录 4 场模型发布（收录 5 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
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。
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%。
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。
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。
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。