开发者社区

文档建议反馈控制台

技术百科

搜索技术百科

技术百科

发布

技术百科首页 >Agent 评估 >常用的 Agent 公开评测基准有哪些，各自考察什么能力？

常用的 Agent 公开评测基准有哪些，各自考察什么能力？

修改于 2026-10-13 17:53:39

18

词条归属：Agent 评估

1. 通用能力基准

GAIA：通用 AI 助手能力，强调多工具链与多步推理
AgentBench：跨操作系统、数据库等多环境的通用 Agent 能力

2. 专项能力基准

SWE-bench Verified：编程类 Agent 的缺陷修复能力
τ-bench：客服与零售场景下遵循政策的多轮交互
BFCL：函数调用准确率
WebArena / VisualWebArena：网页浏览类 Agent
OSWorld：桌面与跨应用操作类 Agent
MedAgentBench：医疗工作流类 Agent

3. 使用原则

各基准只刻画能力的一个切面，选型应与实际部署场景匹配；公开基准用于初筛，自有数据集用于上线决策

相关文章

HTTP 协议的常用方法有哪些？（GET、POST、PUT、DELETE、PATCH）各自的作用和区别是什么？

HTTP 协议定义了多种请求方法，用于指定客户端对服务器资源的操作。其中最常用的是 GET、POST、PUT、DELETE、PATCH，它们的作用和区别如下：

2025-10-25

4.1K0

Agent常见测评基准概述

框架模型数据 agent 工具

对于 agent 的测评，学术界和工业界提出了多种评测基准。这些基准针对不同场景（如通用任务、网页浏览、操作系统、办公软件、垂直领域等），通过构建交互环境和任务库来评估模型的规划、决策、工具使用、执行可靠性和安全性。按类别梳理当前比较有代表性的 Agent 基准分为以下几类。

小陡坡香菜

2025-12-24

3.7K0

Jev 评测深度解析：得分表现、能力局限与最佳适用场景一览

Jev 新公布的基准证据，值得让开发者认真评估它在有界分类和路由决策中的用途。但它没有证明 Jev 能替代通用大语言模型，也没有把置信度变成正确性保证，更不能说明给 Agent 加上 Jev 就一定省钱。真正有用的问题更具体：你要做的决策，与论文测量的任务是否相似？

2026-10-02

1740

作为测试面试官给求职者的一些建议

腾讯云测试服务性能测试

最近公司业务快速发展，整个研发团队都在加紧招聘人员，我主要负责测试和运维的初面，偶尔参与二面。从年前到今天为止，陆陆续续收到简历仅百人（测试占大多数），进入初面的大概50%，初面通过的不到30%，进入二面就更少了，还有在面试通过后被 HR 干掉的。

叨叨软件测试

2020-04-14

9510

Manus、Genspark、Coze空间、Minimax横评，谁是最强Agent？

agent 大模型部署

今年3月，号称全球第一款通用 Agent 产品的 Manus 爆火出圈，当时整个互联网圈子一"码"难求的场面让人印象深刻，在其演示视频中，Agent一步步逐级拆解并自动完成任务的画面令业内外惊呼“未来已来”，更是把 2025 年推上“Agent 元年”的浪潮顶峰，随后市面上又出现了很多 Agent 概念产品，一时之间好不热闹。然而，热度不等于实力。面对真实业务场景，这些被赞美的 Agent 究竟表现如何，距离用户期待的完成度还有多少距离要补？为给出一份全面、客观、系统的答案，AGI-Eval 大模型评测社区发起首轮权威横评：围绕四大核心任务场景，对 Manus、Coze空间、Genspark、Minimax 等主流 Agent 产品进行同台实测，全面揭示它们的能力边界与应用范畴。接下来，就让我们一起来看看这份系统的评测结果！

AGI-Eval评测社区

2025-06-13

5.6K0

点击加载更多

词条知识树 23个知识点