代理式工作
軟體開發以外、取自真實職業的多步任務,比如試算表、文件、客戶服務流程,由模型藉助工具完成。 按它在多少項基準裡進入前 10 排序,一樣多時看最好名次。每列保持各自的排名,不做平均。 「—」表示該榜沒有收錄這個模型,不是零分。尚未識別出具體模型的條目不在此處出現,但仍顯示在各自的原始榜單上。
| 模型 | 進入前 10 | Artificial Analysis LLM Leaderboard GDPval-AA | Arena — Agent Overall |
|---|---|---|---|
| | 2/2 | #1 68.3% | #1 0.143 |
| | 2/2 | #2 67.0% | #4 0.120 |
| | 2/2 | #3 62.8% | #3 0.127 |
| | 2/2 | #4 61.2% | #9 0.081 |
| | 1/2 | #23 52.1% | #2 0.131 |
| | 1/2 | #5 60.6% | #20 0.028 |
| | 1/2 | #21 53.8% | #5 0.117 |
| | 1/2 | #6 59.2% | #18 0.035 |
| | 1/2 | #25 50.4% | #6 0.099 |
| | 1/2 | #7 59.0% | #14 0.040 |
| | 1/2 | #13 56.3% | #7 0.093 |
| | 1/2 | #8 58.6% | #22 0.023 |
| | 1/2 | #16 55.6% | #8 0.089 |
| | 1/2 | #9 57.5% | #23 0.021 |
| | 1/2 | #10 57.3% | #28 0.011 |
| | 1/2 | #29 47.8% | #10 0.071 |