# Toolathlon

> Toolathlon 覆盖 32 个应用、604 个工具、108 个手工任务，平均约 20 轮交互，最佳模型仅达 38.6%（Claude-4.5-Sonnet），开源最佳为 20.1%。

工具十项全能：跨 32 个应用、604 个工具的长程任务基准。

- **分类:** 通用能力
- **2026 前沿:** 最高 38.6%（Claude-4.5-Sonnet）；开源最佳 20.1%（DeepSeek-V3.2-Exp）
- **可信度:** 显示 Agent 距离长程任务有多远：108 个手工任务平均约 20 轮交互，跨 32 个应用与 604 个工具，没有任何系统达到 40%。开源最佳约为闭源最佳的一半，是本清单中该差距最大的一个。
- **核验状态:** 已核验
- **来源:** [Toolathlon (arXiv:2510.25726)](https://arxiv.org/abs/2510.25726)
- **更新日期:** 2026-10-04