Toolathlon
通用能力已核验最近更新 2026-10-04
工具十项全能：跨 32 个应用、604 个工具的长程任务基准。
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%。
关键事实
| 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) |
FAQ
Toolathlon 测的是什么？
工具十项全能：跨 32 个应用、604 个工具的长程任务基准。
Toolathlon 的 2026 年前沿水平是多少？
最高 38.6%（Claude-4.5-Sonnet）；开源最佳 20.1%（DeepSeek-V3.2-Exp）
Toolathlon 可信吗？
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。