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

36

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

跑分超过 GPT-6：WorkBuddy 新接入的 Kimi K3.1 Pro 强在哪

工作模型 WorkBuddy 金融 gpt

摘要：腾讯 WorkBuddy 于 2026 年 10 月 24 日接入月之暗面旗舰模型 Kimi K3.1 Pro，在 Terminal-Bench 4.0 真实终端任务评测中得分 65.7%，超

2026-10-26

3910

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

1990

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

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

9530

点击加载更多

词条知识树 23个知识点