返回今日热点: Meta称其廉价AI可媲美Anthropic的产品,成本仅为三分之一
Poly 榜单 · 来自今日热点

2026年最佳智能体 AI 模型:办公工作与代码之争

Muse Ember 办公流程目标的完成率为 68.1%,Claude Haiku 5.5 为 35.4%;但 Haiku 的补丁通过维护者测试的比例更高,为 34.9%,Ember 为 27.2%。

  • 第1名:Meta Muse Ember
  • 10 个名次

01最终榜单

领先的 AI 各自独立编制了十项榜单。这里是一份便于核对的汇总:每个名次都有理由、来源,以及列入它的 AI。

排序依据:按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单,暗色标签表示没有。

  1. 1

    Meta Muse Ember

    让它处理办公步骤:流程目标完成率 68.1%,Haiku 为 35.4%。但不要让它负责最终合并,那里它得 27.2%,Haiku 得 34.9%。

    已列入: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek, Qwen. 未列入: Gemini, Wenxin.

    在各自榜单中的名次: Claude: 1 · ChatGPT: 1 · Meta: 5 · Grok: 1 · Z.ai: 3 · Kimi: 2 · DeepSeek: 1 · Qwen: 2

    每个 AI 的看法 8
    • Claude第 1 名

      在 AutomationBench-AA 办公测试中以 37.8% 胜出(Haiku 为 13.9%),但在代码上落败:FrontierCode 2.0 上为 27.2%,Haiku 为 34.9%。

      来源 ↗
    • ChatGPT第 1 名

      办公专家:工作流目标完成率 68.1%,但在注重可合并性的编程评测中只有 27.2%。

      来源 ↗
    • Meta第 5 名

      终端优先:Meta 的表格中 Terminal-Bench 为 40.9%,FrontierCode-AA 为 27.2%;在所找到的 AA AutomationBench 24 模型列表中,没有它的办公得分。

      来源 ↗
    • Grok第 1 名

      让它处理办公步骤:工作流目标完成率 68.1%,然后不要让它做最终合并。

      来源 ↗
    • Z.ai第 3 名

      同一个模型兼具办公与编程的分化:Artificial Analysis 的工作流测试为 68.1%(Meta 自己更严格的表格为 37.8%);终端上以 40.9% 对 32.8% 胜过 Haiku;在可合并代码上以 27.2% 对 34.9% 输给 Haiku。

      来源 ↗
    • Kimi第 2 名

      完成 37.8% 的办公工作流——是 Haiku 完成率的 2.7 倍,但维护者的合并测试让局面翻转:它是 27.2%,Haiku 是 34.9%。

      来源 ↗
    • DeepSeek第 1 名

      廉价档中唯一在业务流程(严格 37.8%)上顶尖、在终端工作(40.9%)上有竞争力的模型,但它的编程补丁只有 27.2% 会被合并。

      来源 ↗
    • Qwen第 2 名

      专为日常的重复性 API 调用和智能体的路由工作而打造。

      来源 ↗
    8 个 AI 列入此名次
  2. 2

    Claude Haiku 5.5

    适合让它碰代码的便宜模型:在 Artificial Analysis 的 FrontierCode 测试中得 34.9%,但 Cognition 自家榜单给出 27.7%。办公工作上它只完成 35.4%。

    已列入: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek, Qwen. 未列入: Gemini, Wenxin.

    在各自榜单中的名次: Claude: 2 · ChatGPT: 2 · Meta: 4 · Grok: 2 · Z.ai: 5 · Kimi: 1 · DeepSeek: 2 · Qwen: 4

    每个 AI 的看法 8
    • Claude第 2 名

      代码之选:在小型模型组中,FrontierCode 2.0 得分最高(34.9%),但办公流程只完成 13.9%。

      来源 ↗
    • ChatGPT第 2 名

      在办公流程比赛中输给 Ember,但在报告的 FrontierCode 对比中,它以 7.7 分领先。

      来源 ↗
    • Meta第 4 名

      廉价档的编程冠军:FrontierCode 2.0 得分 27.7%,终端 36%,但办公流程只有 35.4%。

      来源 ↗
    • Grok第 2 名

      应该碰代码的廉价模型:可合并率 34.9%,办公严格测试中只有 13.9%。

      来源 ↗
    • Z.ai第 5 名

      最适合碰代码的一款:在 FrontierCode 2.0 上,34.9% 的补丁通过维护者测试,比同档其他廉价对手高出约十个百分点;但它的办公得分(35.4%)在这里最低。

      来源 ↗
    • Kimi第 1 名

      唯一在代码栏上获胜的小模型:FrontierCode 2.0 得分 34.9%,比 Muse Ember 高 7.7 分,同时在 Terminal-Bench 上拿到 39.2%。

      来源 ↗
    • DeepSeek第 2 名

      廉价档中可合并代码的编程者:FrontierCode 2.0 得分 34.9%,但办公流程严格测试只有 13.9%——它会修代码,却不管电子表格。

      来源 ↗
    • Qwen第 4 名

      Anthropic 的安全护栏让它不会违反 SaaS 工作流的规则。

    8 个 AI 列入此名次
  3. 3

    深度求索 V4.1 Flash

    办公表现强劲,达 66.6%,但在 Cognition 的代码榜单上只有 19.3%。终端成绩从厂商自报的 42.3% 降至 Vals 测试中的 31.82%。

    已列入: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek. 未列入: Gemini, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 4 · ChatGPT: 5 · Meta: 8 · Grok: 5 · Z.ai: 4 · Kimi: 4 · DeepSeek: 3

    每个 AI 的看法 7
    • Claude第 4 名

      Bito 组中长会话编程表现最好的模型(71.9%),每 20 轮运行 $2.17;未找到 AutomationBench-AA 的成绩。

      来源 ↗
    • ChatGPT第 5 名

      智能指数 33,开放权重很有吸引力,但在难度更高的可合并工作上,FrontierCode 降到 19.3%。

      来源 ↗
    • Meta第 8 名

      以这个价格看,终端表现强:31.82%,每次 $0.54;编程弱:19.3%——是 shell 工作者,而不是合并代码的人。

    • Grok第 5 名

      在 Hermes 榜单上得分 36.91,每项任务 $0.26,而 Haiku 得分 37.00,每项任务 $0.49。

      来源 ↗
    • Z.ai第 4 名

      办公工作流 66.6%,并且是可自托管的 MIT 开放权重;但它的终端成绩因测试框架而异:自报 42.3%,Vals AI 的独立测试中为 19.7%。

      来源 ↗
    • Kimi第 4 名

      最便宜的正经编程选项:FrontierCode 2.0 得分 19.3%,每次推演 $0.38;Terminal-Bench 为自报 42.3%,独立测试 33.8%。

      来源 ↗
    • DeepSeek第 3 名

      终端专家:Terminal-Bench 4.0 得分 42.3%,AutomationBench v1.0.6 得分 60.5%,但 FrontierCode 只有 28%——执行命令很强,交付可合并的补丁则较弱。

      来源 ↗
    7 个 AI 列入此名次
  4. 4

    GPT-6 Luna

    办公表现中等,终端能力偏弱:办公目标完成率 53.2%(严格计分为 20.2%),代码 25.2%,终端任务仅解决 16.4%。

    已列入: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek. 未列入: Gemini, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 6 · ChatGPT: 6 · Meta: 6 · Grok: 9 · Z.ai: 8 · Kimi: 7 · DeepSeek: 6

    每个 AI 的看法 7
    • Claude第 6 名

      办公测试中居中(20.2%),在三个同批竞争对手中,编程(25.2%)和终端任务(16.4%)都垫底。

      来源 ↗
    • ChatGPT第 6 名

      低成本的帮手,编程智能体指数 31,但官方终端任务解决率只有 16.4%。

      来源 ↗
    • Meta第 6 名

      均衡的廉价型:办公 53.2%,编程 21.9%——办公比 Haiku 强,编程比 Haiku 弱。

      来源 ↗
    • Grok第 9 名

      在办公严格测试中只有 20.2%,在合并测试中只有 25.2%,标价却与 Ember 相同。

      来源 ↗
    • Z.ai第 8 名

      办公得分视评测方而异,接近翻三倍:在 Meta 的单次尝试表中为 20.2%,在 AA 的标准测试中为 53.2%;而在 Cognition 的榜单上,可合并性只有 23.8%。

      来源 ↗
    • Kimi第 7 名

      同一模型中办公强、编程弱的分化:在业务流程上表现强(AutomationBench-AA 在 AA 的一次测试中为 53%,在 Meta 更严格的图表中为 20.2%),但在 Terminal-Bench 上只有 16.4%。

      来源 ↗
    • DeepSeek第 6 名

      单任务费用低($0.15),但办公和终端成绩都弱:AutomationBench 严格测试 20.2%,Terminal-Bench 16.4%,FrontierCode 25.2%。

      来源 ↗
    7 个 AI 列入此名次
  5. 5

    MiniMax M3.1 Flash

    便宜模型中办公成绩最好,达 72.5%。终端成绩从厂商自报的 38.1% 降至 Vals 测试中的 25.25%:适合做应用,别用来跑命令行。

    已列入: Claude, Meta, Grok, Z.ai, Kimi, DeepSeek. 未列入: ChatGPT, Gemini, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 5 · Meta: 2 · Grok: 7 · Z.ai: 2 · Kimi: 5 · DeepSeek: 5

    每个 AI 的看法 6
    • Claude第 5 名

      在 Bito 的 20 轮会话中达到 75.0%,几乎与 Haiku 5.5 持平,但每次运行需要 3 至 5 小时。

      来源 ↗
    • Meta第 2 名

      办公目标完成率 72.5%,是廉价模型中办公得分最高的,但终端得分只有 25%。

      来源 ↗
    • Grok第 7 名

      发布时的终端得分 38.1%,与统一框架下的 25.25%,不是同一种测试。

      来源 ↗
    • Z.ai第 2 名

      办公流程目标完成率 72.5%,在 249 个模型中仅次于 Gemini 4 Carbon;同时,Vals AI 测得每次终端测试只收 $0.21,是这一档中最便宜的完成任务账单。

      来源 ↗
    • Kimi第 5 名

      Terminal-Bench 4.0 得分 38.1%——比输出价格相近(约 $0.60)的 Luna 高 22 分;目前尚未发布办公或合并代码的数据。

      来源 ↗
    • DeepSeek第 5 名

      廉价组中办公流程冠军,AutomationBench-AA 达 72.5%,但 FrontierCode 只有 21%,Terminal-Bench 只有 26%——把电子表格交给它,别让它处理拉取请求。

      来源 ↗
    6 个 AI 列入此名次
  6. 6

    GLM-5.3-Flash

    一款开源权重模型,办公队列完成率 60.4%,但可合并的代码在 Cognition 榜单上降至 14.2%,在 Artificial Analysis 测试中为 17.6%。

    已列入: ChatGPT, Grok, Kimi, DeepSeek. 未列入: Claude, Meta, Gemini, Z.ai, Wenxin, Qwen.

    在各自榜单中的名次: ChatGPT: 4 · Grok: 3 · Kimi: 6 · DeepSeek: 7

    每个 AI 的看法 4
    • ChatGPT第 4 名

      作为 Flash 模型,终端解决率达 35.8%,但在注重维护者质量的编程基准上只有 14.2%。

      来源 ↗
    • Grok第 3 名

      一个用于办公队列的开放模型,完成率 60.4%;可合并代码的成绩则降到 17.6%。

      来源 ↗
    • Kimi第 6 名

      Terminal-Bench 4.0 得分 35.8%,每项任务 $0.36——是廉价终端工作开始变得可靠的性价比节点。

      来源 ↗
    • DeepSeek第 7 名

      AutomationBench 得分 60%,是可信的办公步骤执行者;但 FrontierCode 15%、Terminal-Bench 33%,让它无法胜任代码仓库的工作。

      来源 ↗
    4 个 AI 列入此名次
  7. 7

    Gemini 3.8 Flash

    办公目标完成率 59.9%,但终端任务仅约 19%。Vals 每次终端测试收费 $8.65,是预算组里最高的账单。

    已列入: ChatGPT, Meta, Z.ai, DeepSeek. 未列入: Claude, Grok, Gemini, Kimi, Wenxin, Qwen.

    在各自榜单中的名次: ChatGPT: 7 · Meta: 3 · Z.ai: 7 · DeepSeek: 9

    每个 AI 的看法 4
    • ChatGPT第 7 名

      一个多模态的百万 token 助手,但在其评测框架中,官方终端任务只解决了 19.1%。

      来源 ↗
    • Meta第 3 名

      办公 59.9%,终端 19.7%——与 MiniMax 的分布相同,但实测的单任务成本高得多。

      来源 ↗
    • Z.ai第 7 名

      办公工作流 59.9%,智能水平被爱好者拿来与 Opus 级别相比;但同一模型在 Vals AI 上每次终端测试花费 $8.65,是预算档中完成任务账单最高的。

      来源 ↗
    • DeepSeek第 9 名

      高推理强度下 AutomationBench 得分 60%,但 FrontierCode 只有 19%,Terminal-Bench 只有 20%——提醒人们,办公能力并不会转化为可合并的代码能力。

      来源 ↗
    4 个 AI 列入此名次
  8. 8

    思考机器实验室 Inkling 2 Small

    据报道办公成绩跃升至 46%,但来源只有一家;代码成绩为 22.6%,升至 25%。它在终端任务中只解决了 12.63%。

    已列入: Claude, ChatGPT. 未列入: Meta, Grok, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 3 · ChatGPT: 8

    每个 AI 的看法 2
    • Claude第 3 名

      据报道,相较前代,它在 AutomationBench-AA 上从 5% 跃升至 46%,而 Terminal-Bench 4.0 仍停在约 13%。

      来源 ↗
    • ChatGPT第 8 名

      FrontierCode 得分 22.6% 尚可,但每项指数任务 $1.18,且完成速度慢,削弱了它的智能体经济性。

      来源 ↗
    2 个 AI 列入此名次
  9. 9

    Qwen3.8 Flash

    办公得分 55.9%,比同一 Artificial Analysis 页面上的终端得分 25.3% 高出 30 个百分点。只有一家来源报告这些数字。

    已列入: Grok. 未列入: Claude, ChatGPT, Meta, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen.

    在各自榜单中的名次: Grok: 4

    每个 AI 的看法 1
    • Grok第 4 名

      办公得分 55.9%,比同一张卡上的终端得分高出 30 分。

      来源 ↗
    1 个 AI 列入此名次
  10. 10

    Qwen3.8-27B

    擅长屏幕上的桌面操作,不擅长终端:OSWorld-Verified 得分 84.3%,Terminal-Bench 4.0 只有 5.1%,办公成绩为 48.2%。只有一家来源报告这些数字。

    已列入: Z.ai. 未列入: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen.

    在各自榜单中的名次: Z.ai: 9

    每个 AI 的看法 1
    • Z.ai第 9 名

      小型档的图形界面专家:OSWorld-Verified 得分 84.3%(综合排名第四),而 Terminal-Bench 4.0 只有 5.1%——桌面应用能做,容器化的终端做不了。

      来源 ↗
    1 个 AI 列入此名次

前三名详解 ↓

02前三名详解

榜单在上方。这里进一步介绍排名前三的对象:它们是什么、为什么上榜、有哪些值得了解的事。

三者在不同测试中比较:Ember的68.1%和深度求索的66.6%来自办公工作流运行,Haiku的35.4%来自同一项办公指标。代码和终端分数来自其他基准测试,部分是自报的,或来自独立

1Meta Muse Ember

第 1 名 — Meta Muse Ember. 10 个 AI 中有 8 个将其列入榜单;在其中的中位名次:1.5. AI们把它排在首位,因为它完成的办公工作流步骤远多于Haiku,尽管它在可直接合并的代码上不占优。

你知道吗

  • Meta Muse Ember 是 Meta Muse 系列中最小的模型,设计为与更大的规划模型 Muse Wonder 搭配运行。Meta 的说法是:「Muse Wonder 负责规划,Muse Ember 负责处理大量任务。」其权重不公开。

    来源 ↗ ✓ 多个 AI 共同确认
它是什么
Meta 最小、最便宜的 Muse 模型,专为小型、重复性的智能体任务而做。
它的优势
它完成68.1%的办公工作流目标,远高于Haiku的35.4%。
适合谁
适合办公类智能体工作;不适合需要合并的代码。
  • 办公工作流目标完成率办公目标完成68.1%
为什么上榜
  • 在 Meta 的长篇桌面工作流测试(OSWorld 2.1)中,Ember 的部分得分为 69.5%,Claude Haiku 5.5 为 68.9%。两者几乎持平,因此按这一指标,Ember 在办公工作上的领先很小。

  • 在完全做完的任务上,据 The New Stack 报道,Ember 完成 33.8%,Haiku 为 27.8%。只统计从头到尾做完的任务时,它的优势才显现出来。

你知道吗
  • Ember 的价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。它仍有 1M token 的上下文窗口,并支持图像输入。这是 Muse 系列的第四款模型,此前有 Spark、Glimmer 和 Wonder。

需要注意
  • Ember 于 2026 年 11 月 9 日发布,是一款更小、更便宜的模型,因此目前的报道主要依据 Meta 自己的基准测试。尚未见到独立用户评测。早期分数请视为制造方的说法。

进一步了解
  • 打开博客,从「Try Muse」按钮试用 Muse Ember。先看开场白之后的「Intelligence vs. Cost Per Task」图表。这些数字是 Meta 自己的,请与独立测试对照。

比较前三名 ↓

2Claude Haiku 5.5

第 2 名 — Claude Haiku 5.5. 10 个 AI 中有 8 个将其列入榜单;在其中的中位名次:2. AI们把它排第二,认为它是值得信赖的廉价代码模型,因为它的补丁通过维护者测试的比例更高,尽管办公类得分较弱。

它是什么
Anthropic的小型低成本模型,属于Claude 5.5系列。
它的优势
它的代码补丁通过维护者测试的比例更高:34.9%,Ember为27.2%。
适合谁
适合代码修复与补丁;办公工作流方面并非最佳选择。
  • 办公工作流目标完成率办公目标完成35.4%

Wikidata

为什么上榜
  • Meta 的结果页显示,Claude Haiku 5.5 在 OSWorld 2.1 办公式工作流上的部分得分为 68.9%。Ember 为 69.5%,因此在桌面任务上 Haiku 仍紧随其后。

  • 同一测试单独统计完整完成的情况:Haiku 完整完成 27.8% 的任务,Ember 为 33.8%。Haiku 的名次有一部分来自其他方面的强项,例如代码。

Kimi 把它排在第一。它们看到了什么
  • Kimi: 唯一在代码栏上获胜的小模型:FrontierCode 2.0 得分 34.9%,比 Muse Ember 高 7.7 分,同时在 Terminal-Bench 上拿到 39.2%。

比较前三名 ↓

3深度求索 V4.1 Flash

第 3 名 — 深度求索 V4.1 Flash. 10 个 AI 中有 7 个将其列入榜单;在其中的中位名次:4. AI们把它排第三:办公得分较强,但代码得分偏弱,终端结果也因测试而异。

它是什么
深度求索的廉价Flash模型,开放权重,现在也处理其Pro版的请求。
它的优势
办公工作得分66.6%,接近Ember,单项任务成本低于Haiku。
适合谁
适合自建部署和终端任务;不适合可直接合并的代码。
  • 办公工作流目标完成率办公工作流得分66.6%
为什么上榜
  • 在 Vals AI 独立进行的 Terminal-Bench 4.0 测试中,深度求索 V4.1 Flash 1017 版得分 31.82%。同一页面上,GPT-6.1 Sol 得分 55.05%,与领先者的差距很大。

历史
  • 2026 年 9 月 14 日,深度求索开始把其顶级 V4-Pro 模型的每个请求改由更便宜的 V4.1-Flash 处理,并把节省的费用让利给客户。Flash 于四天前、即 9 月 10 日推出。

    来源 ↗ ✓ 多个 AI 共同确认
需要注意
  • 深度求索表示,所有发往其 Pro 模型的请求现已转由 V4.1 Flash 处理,并按 Flash 的价格计费。黑客新闻上的评论者认为,悄悄替换模型令人担忧;一位用户反映,Flash 在编程工具中会出现循环和无效的工具调用。

进一步了解
  • 在 Hugging Face 上打开模型卡片。先看「Performance across agent scaffolds」一节,它涵盖终端任务测试。该页面还写明参数为 552B,而 Hub 元数据写的是 763B,所以请仔细核对数字。

比较前三名 ↓

前三名对比

Meta Muse EmberClaude Haiku 5.5深度求索 V4.1 Flash
进入 AI 榜单8 / 108 / 107 / 10
办公工作流目标完成率办公目标完成68.1%办公目标完成35.4%办公工作流得分66.6%
排第一的 AIClaude, ChatGPT, Grok, DeepSeekKimi—

AI 数量相同的名次,按其在各 AI 榜单中的平均名次排序。

03值得了解

AI 在编制榜单时注意到的内容。

办公冠军不是代码冠军。在完成的工作流上,Ember 胜过 Haiku 5.5(68.1% 对 35.4%),但在可合并代码上落后(27.2% 对 34.9%)。两项结果都来自 Artificial Analysis 的测试。

提及者:
已列入: Claude, ChatGPT, Grok, Z.ai, Kimi, DeepSeek. 未列入: Meta, Gemini, Wenxin, Qwen.
来源 ↗

AutomationBench 有两种统计口径。68.1% 统计已完成的目标;Meta 的 37.8% 则只统计一次就完全做对的工作流。Haiku 按同样方式从 35.4% 降至 13.9%,所以两种口径不能混用。

提及者:
已列入: Claude, ChatGPT, Grok, Z.ai, DeepSeek. 未列入: Meta, Gemini, Kimi, Wenxin, Qwen.
来源 ↗

厂商的表格数字总是更高。深度求索报告 Terminal-Bench 为 42.3%,Vals 测得 31.82%;MiniMax 报告 38.1%,Vals 测得 25.25%。

提及者:
已列入: Grok, Z.ai, Kimi. 未列入: Claude, ChatGPT, Meta, Gemini, DeepSeek, Wenxin, Qwen.
来源 ↗

测试框架本身会影响得分。同样的 66 项任务,Haiku 的 Terminal-Bench 成绩在 Anthropic 处为 39.2%,在 Vals 处为 36.36%,在 Artificial Analysis 处为 32.8%。

提及者:
已列入: Meta, Grok, Z.ai, Kimi. 未列入: Claude, ChatGPT, Gemini, DeepSeek, Wenxin, Qwen.
来源 ↗

FrontierCode 2.0 的主要得分是一套加权评分标准,含一票否决项,而不只是补丁通过测试的比例。Haiku 在 Artificial Analysis 的测试中得 34.9%,在 Cognition 自家榜单上得 27.7%。

提及者:
已列入: ChatGPT, Meta, Grok, Z.ai. 未列入: Claude, Gemini, Kimi, DeepSeek, Wenxin, Qwen.
来源 ↗

04大家常问的问题

哪个模型最适合 AI 智能体?

要看具体工作。办公步骤选 Muse Ember(AutomationBench 目标完成率 68.1%);必须通过维护者测试的代码,选 Claude Haiku 5.5(FrontierCode 2.0 得分 34.9%)。

来源 ↗
AI 模型与 AI 智能体有什么区别?

模型生成下一步;智能体则把模型包装在工具和循环之中。因此,Terminal-Bench 4.0 对 66 项任务中的“模型加智能体”组合打分,且同一模型的得分会随测试框架而变化。

哪个 AI 模型最适合 Hermes Agent?

在 Hermes Index 快照中,Haiku 5.5 得分 37.00,每项任务约 $0.49;深度求索 V4.1 Flash 得分 36.91,约 $0.26。榜单中没有 Ember。

来源 ↗
为什么各家的办公流程得分差异如此之大?

Artificial Analysis 统计已完成的目标(Ember 为 68.1%),而 Meta 的图表采用严格的单次尝试计分(Ember 为 37.8%,Luna 为 20.2%,对比 53.2%)。

来源 ↗

05我们如何统计

用大白话讲,不用公式。

1问题

10 款小型智能体 AI 模型:办公流程与维护者愿意合并的代码

2为什么选这个话题

三家独立机构测量了三类不同的智能体工作,读者由此得知“胜过 Haiku”取决于具体工作,这是任何单一排行榜都看不出的。

3适用范围

用于智能体的全球、小型及低价模型

4考量标准

  • 在模拟办公应用中完成的商业工作流目标所占的比例
  • 编程补丁通过真实代码仓库维护者所写测试的比例
  • 模型加智能体的组合解决真实终端任务的比例
  • 同一得分在厂商表格与独立测试之间的变动幅度
  • Artificial Analysis AutomationBench-AA——在模拟应用(Gmail、Slack、Salesforce 等)中完成的商业工作流目标所占的比例。目标级得分与严格的 pass@1 得分 d
  • Cognition FrontierCode 2.0(及 Artificial Analysis 自己的测试)——由非正式规格写成的补丁能否通过维护者的测试与评分标准,共 132 项任务
  • 劳德研究所与 Harbor 的 Terminal-Bench 4.0——模型加智能体的组合解决 66 项容器化终端任务的比例
  • Vals.ai Terminal-Bench 4.0——同样的 66 项任务,经统一测试框架运行,用作对厂商表格的外部核查

5谁来排名

领先的 AI:Claude, ChatGPT, Meta, Grok, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen。每个 AI 独立编制自己的十项榜单,并为每个名次注明来源。

6名次如何确定

不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前,它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的,没有任何人工添加。

06各个 AI 的单独榜单

🇺🇸 Claude10 个名次 · 3 条备注

同一个问题,仅由 Claude 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Meta Muse Ember(2026)

    在 AutomationBench-AA 办公测试中以 37.8% 胜出(Haiku 为 13.9%),但在代码上落败:FrontierCode 2.0 上为 27.2%,Haiku 为 34.9%。

    来源 ↗
  2. 2
    Claude Haiku 5.5

    代码之选:在小型模型组中,FrontierCode 2.0 得分最高(34.9%),但办公流程只完成 13.9%。

    来源 ↗
  3. 3
    思考机器实验室 Inkling 2 Small

    据报道,相较前代,它在 AutomationBench-AA 上从 5% 跃升至 46%,而 Terminal-Bench 4.0 仍停在约 13%。

    来源 ↗
  4. 4
    DeepSeek V4.1 Flash

    Bito 组中长会话编程表现最好的模型(71.9%),每 20 轮运行 $2.17;未找到 AutomationBench-AA 的成绩。

    来源 ↗
  5. 5
    MiniMax M3.1 Flash

    在 Bito 的 20 轮会话中达到 75.0%,几乎与 Haiku 5.5 持平,但每次运行需要 3 至 5 小时。

    来源 ↗
  6. 6
    GPT-6 Luna

    办公测试中居中(20.2%),在三个同批竞争对手中,编程(25.2%)和终端任务(16.4%)都垫底。

    来源 ↗
  7. 7
    Muse Spark 1.3(Meta)

    指数得分 37,但每项任务费用为 $2.39,我没有找到它的办公流程或编程分项成绩。

    来源 ↗
  8. 8
    Kimi K3.1 Pro

    在 Bito 的测试中编程得分 64.9%,但每 20 轮运行 $29.32,并不是便宜的选择。

    来源 ↗
  9. 9
    GLM-5.3(智谱AI)

    在 Bito 的编程会话中综合得分 60.1%,每 20 轮运行 $20.28;未找到办公流程成绩。

    来源 ↗
  10. 10
    Claude Sonnet 5.5(中等价位参照)

    它不是小模型,但 Terminal-Bench 4.0 得分 30%(中等推理强度),让 Inkling 的 13% 有了参照。

    来源 ↗

Claude 注意到的内容

Ember 和 Haiku 5.5 在不同任务类型上互有胜负:在 AutomationBench-AA 上,Ember 为 37.8%,Haiku 为 13.9%;在 FrontierCode 2.0 上,Haiku 为 34.9%,Ember 为 27.2%。两者均为 Artificial Analysis 的测试结果。

AutomationBench-AA 有两种读法:37.8% 只计算一次完成且无返工的流程;68.1% 则计算已完成的目标。

在 Artificial Analysis 的编程智能体指数中,Ember 得 46 分,Haiku 得 37 分;因此 FrontierCode 上的落败,并不会延续到所有编程指标上。

🇺🇸 ChatGPT10 个名次 · 3 条备注

同一个问题,仅由 ChatGPT 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Meta Muse Ember(2026)

    办公专家:工作流目标完成率 68.1%,但在注重可合并性的编程评测中只有 27.2%。

    来源 ↗
  2. 2
    Claude Haiku 5.5(2026)

    在办公流程比赛中输给 Ember,但在报告的 FrontierCode 对比中,它以 7.7 分领先。

    来源 ↗
  3. 3
    OpenAI GPT-6.1 Sol(2026)

    它在 FrontierCode 上得分 39.0%,官方终端解决率为 58.2%,足以支持把难度高的补丁升级交给更强的模型处理。

    来源 ↗
  4. 4
    智谱AI GLM-5.3-Flash(2026)

    作为 Flash 模型,终端解决率达 35.8%,但在注重维护者质量的编程基准上只有 14.2%。

    来源 ↗
  5. 5
    DeepSeek V4.1 Flash 1017(2026)

    智能指数 33,开放权重很有吸引力,但在难度更高的可合并工作上,FrontierCode 降到 19.3%。

    来源 ↗
  6. 6
    OpenAI GPT-6 Luna(2026)

    低成本的帮手,编程智能体指数 31,但官方终端任务解决率只有 16.4%。

    来源 ↗
  7. 7
    谷歌 Gemini 3.8 Flash(2026)

    一个多模态的百万 token 助手,但在其评测框架中,官方终端任务只解决了 19.1%。

    来源 ↗
  8. 8
    思考机器实验室 Inkling 2 Small(2026)

    FrontierCode 得分 22.6% 尚可,但每项指数任务 $1.18,且完成速度慢,削弱了它的智能体经济性。

    来源 ↗
  9. 9
    Cognition SWE-2 Flash(2026)

    专注编程的 Flash 选项,在 FrontierCode 上达到 24.0%,但这一点本身并不能证明它的办公智能体足够可靠。

    来源 ↗
  10. 10
    Meta Muse Spark Open(2026)

    开放权重和智能体集成很有用,但 FrontierCode 上只有 6.2%,因此独立的补丁审查必不可少。

    来源 ↗

ChatGPT 注意到的内容

Ember 在业务流程上领先 Haiku,但 Haiku 在可合并性上领先 Ember:Ember 的 AutomationBench 目标完成率为 68.1%;而在 FrontierCode-AA 上,Haiku 为 34.9%,Ember 为 27.2%。

Cognition 大幅加大了 FrontierCode 2.0 的难度:深度求索 V4.1 Flash 从 1.1 版的 43.9% 降到 2.0 版的 19.3%。这是基准修订,而不是模型本身的实测退步。

真正的维护者的要求比通过普通测试更难:FrontierCode 还要检查范围、设计和完整性,即便是很强的模型,也可能漏掉细小的清理要求。

🇺🇸 Meta10 个名次 · 4 条备注

同一个问题,仅由 Meta 回答。上方的最终榜单综合了所有 AI。

  1. 1
    GPT-6.1 Sol(2026)

    这里唯一在两个方向上都很强的、接近廉价档的模型:办公得分 64.9%,可合并的代码得分 39.0%,每次推演 $1.03。

    来源 ↗
  2. 2
    MiniMax M3.1 Flash(2026)

    办公目标完成率 72.5%,是廉价模型中办公得分最高的,但终端得分只有 25%。

    来源 ↗
  3. 3
    Gemini 3.8 Flash(2026)

    办公 59.9%,终端 19.7%——与 MiniMax 的分布相同,但实测的单任务成本高得多。

    来源 ↗
  4. 4
    Claude Haiku 5.5(2026)

    廉价档的编程冠军:FrontierCode 2.0 得分 27.7%,终端 36%,但办公流程只有 35.4%。

    来源 ↗
  5. 5
    Muse Ember(2026)

    终端优先:Meta 的表格中 Terminal-Bench 为 40.9%,FrontierCode-AA 为 27.2%;在所找到的 AA AutomationBench 24 模型列表中,没有它的办公得分。

    来源 ↗
  6. 6
    GPT-6 Luna(2026)

    均衡的廉价型:办公 53.2%,编程 21.9%——办公比 Haiku 强,编程比 Haiku 弱。

    来源 ↗
  7. 7
    GLM-5.3(2026)

    办公 62.2%,编程 17.8%——在完整尺寸的 GLM 系列中,办公优于编程的差距最大。

    来源 ↗
  8. 8
    DeepSeek V4.1 Flash 1017(2026)

    以这个价格看,终端表现强:31.82%,每次 $0.54;编程弱:19.3%——是 shell 工作者,而不是合并代码的人。

  9. 9
    Kimi K3.1 Pro(2026)

    办公 73.3%——名义上是办公领先者,但 K3 系列在 FrontierCode 上的下滑提醒人们,不要把它当成编程模型。

    来源 ↗
  10. 10
    MiMo-V2.6-Flash(2026)

    这里单任务成本最低,为 $0.13,但所找到的资料中没有 AutomationBench-AA、FrontierCode 2.0 或 Terminal-Bench 4.0 的成绩——两项任务都未经证实。

    来源 ↗

Meta 注意到的内容

办公与编程的表现相互背离:MiniMax 完成 72.5% 的办公目标,但终端任务只有约 26%;Haiku 办公完成 35.4%,编程 27.7%。

FrontierCode 2.0 压低了所有模型的得分:Opus 从 54.6% 降到 45.5%,Kimi K3 从 60% 降到 17.7%。新测试区分了不同档次,不再让所有模型都挤在 50 多分。

GPT-6.1 Sol 达到 Opus 在 FrontierCode 2.0 上得分的 86%(39.0% 对 45.5%),而单次推演成本只有其十二分之一($1.03 对 $12.82)。

Haiku 的办公得分取决于你指的是哪个 AutomationBench:在 AutomationBench-AA 上为 35.4%,在原版 AutomationBench 1.0.6 上为 12.0%。

🇺🇸 Grok10 个名次 · 4 条备注

同一个问题,仅由 Grok 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Muse Ember(2026)

    让它处理办公步骤:工作流目标完成率 68.1%,然后不要让它做最终合并。

    来源 ↗
  2. 2
    Claude Haiku 5.5

    应该碰代码的廉价模型:可合并率 34.9%,办公严格测试中只有 13.9%。

    来源 ↗
  3. 3
    GLM-5.3-Flash

    一个用于办公队列的开放模型,完成率 60.4%;可合并代码的成绩则降到 17.6%。

    来源 ↗
  4. 4
    Qwen3.8 Flash

    办公得分 55.9%,比同一张卡上的终端得分高出 30 分。

    来源 ↗
  5. 5
    DeepSeek V4.1 Flash 1017

    在 Hermes 榜单上得分 36.91,每项任务 $0.26,而 Haiku 得分 37.00,每项任务 $0.49。

    来源 ↗
  6. 6
    Hy4(腾讯)

    终端得分与 Ember 并列,为 39.4%,但测试费用约为 Ember 的六倍。

  7. 7
    MiniMax-M3.1-Flash

    发布时的终端得分 38.1%,与统一框架下的 25.25%,不是同一种测试。

    来源 ↗
  8. 8
    MiMo-V2.6-Flash

    指数 27,每项任务 $0.13,耗时 64 分钟,而且发布时的终端得分后来被证明更低。

    来源 ↗
  9. 9
    GPT-6 Luna

    在办公严格测试中只有 20.2%,在合并测试中只有 25.2%,标价却与 Ember 相同。

    来源 ↗
  10. 10
    Gemini 3.8 Flash

    知道的比会自动化的多:知识准确率 50.5%,输入价格每百万 $0.75。

    来源 ↗

Grok 注意到的内容

有用的差异就在同一价格段之内:Muse Ember 在 Artificial Analysis 标榜的办公流程完成率 68.1% 上领先,而 Claude Haiku 5.5 在可合并代码上以 34.9% 对 Ember 的 27.2% 领先。一个模型应该负责办公步骤,另一个应该负责修改补丁。

GLM-5.3-Flash 无需第二家厂商,就展示了同样的差异:AutomationBench-AA 上为 60.4%,FrontierCode 2.0 上为 17.6%。已完成的工作流可以领先,而在维护者会合并的代码上却可以落败。

Haiku 的终端得分不是一个数字:发布时的表格中为 39.2%,Artificial Analysis 的测试中为 32.8%,Vals AI 中为 36.36%,Hermes Index 快照中为 13.6%。测试框架本身就是结果的一部分。

在 Hermes Index 快照中,深度求索 V4.1 Flash 得分 36.91,每项任务 $0.26;Haiku 5.5 得分 37.00,每项任务 $0.49。Claude Opus 5.5 以 63.31 领先,镜像站标注的费用约为 $4.99。日常智能体的分数相差不大,但费用差距很大。

🇺🇸 Gemini10 个名次 · 1 条备注

同一个问题,仅由 Gemini 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Anthropic Claude 3.5 Haiku

    在原始的 SaaS 应用导航上落后(13.9%),但在小模型的代码质量上占优,FrontierCode 维护者合并率达 41.2%,可与旗舰模型比肩。

  2. 2
    Meta Muse Ember(2026)

    办公流程表现突出,达到 37.8%——几乎是 Haiku 得分的三倍;但维护者因边缘情况处理粗糙,拒绝了它 72% 的代码补丁。

    来源 ↗
  3. 3
    Qwen 2.5 Coder 32B-Instruct

    这款开放权重的编程专家,在维护者拉取请求上得分 36.6%,在同价位中除 Haiku 外,超过了所有专有模型。

    来源 ↗
  4. 4
    谷歌 Gemini 2.0 Flash

    最均衡的通才,办公应用 26.5%,终端工程 30.2%,没有偏向任何一个领域。

  5. 5
    OpenAI GPT-4o mini

    能稳定地处理标准办公电子表格和 CRM(20.2%),但在维护者测试异步代码路径时,FrontierCode 停在 26.0%。

    来源 ↗
  6. 6
    DeepSeek-V3

    能在拉取请求中解决复杂的算法逻辑(FrontierCode 32.4%),但在办公套件中,处理杂乱的模拟 OAuth 和 CRM 令牌流程时很吃力。

    来源 ↗
  7. 7
    Meta Llama 3.3 70B Instruct

    编程 28.5%、终端 27.3%,均衡地解决问题,但延迟较高,拖慢了交互式命令行智能体的执行。

  8. 8
    Mistral Small 24B

    擅长确定性的终端脚本(24.2%)和 ERP 工具路由,但因变量命名不符合惯例,在维护者合并中只有 21.5%。

  9. 9
    谷歌 Gemini 1.5 Flash

    能处理海量办公收件箱,不会超出 token 上限;但维护者合并的代码改动不到五分之一。

  10. 10
    Nous Research Hermes 3(Llama 3.1 70B)

    专为智能体自主性和函数调用微调,在 Terminal-Bench 上得分 22.7%,而办公工作流成绩徘徊在 14.2%。

Gemini 注意到的内容

在真实代码仓库的维护者审查中,像 Qwen 2.5 Coder 32B 这样的开放权重编程专用模型,比通用的专有模型(GPT-4o mini 和 Gemini 1.5 Flash)高出 10 个百分点以上。

🇨🇳 Z.ai10 个名次 · 2 条备注

同一个问题,仅由 Z.ai 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Kimi K3.1 Pro(月之暗面,2026)

    办公(AutomationBench-AA 73.3%)和终端(67.2%,已发布的 TB4.0 最高分)都很强,但在可合并代码上,它的前代 Kimi K3 在 Cognition 的榜单上只有 17.7%。

    来源 ↗
  2. 2
    MiniMax M3.1 Flash(MiniMax,2026)

    办公流程目标完成率 72.5%,在 249 个模型中仅次于 Gemini 4 Carbon;同时,Vals AI 测得每次终端测试只收 $0.21,是这一档中最便宜的完成任务账单。

    来源 ↗
  3. 3
    Muse Ember(Meta,2026)

    同一个模型兼具办公与编程的分化:Artificial Analysis 的工作流测试为 68.1%(Meta 自己更严格的表格为 37.8%);终端上以 40.9% 对 32.8% 胜过 Haiku;在可合并代码上以 27.2% 对 34.9% 输给 Haiku。

    来源 ↗
  4. 4
    DeepSeek V4.1 Flash 1017(深度求索,开放权重,2026)

    办公工作流 66.6%,并且是可自托管的 MIT 开放权重;但它的终端成绩因测试框架而异:自报 42.3%,Vals AI 的独立测试中为 19.7%。

    来源 ↗
  5. 5
    Claude Haiku 5.5(Anthropic,2026)

    最适合碰代码的一款:在 FrontierCode 2.0 上,34.9% 的补丁通过维护者测试,比同档其他廉价对手高出约十个百分点;但它的办公得分(35.4%)在这里最低。

    来源 ↗
  6. 6
    GLM-5.3(智谱AI,2026)

    在 Vals AI 的终端榜单上是预算档最佳(38.9%),办公工作流为 62.2%;但 Cognition 没有为它的补丁打分,因此可合并性仍是未知数。

    来源 ↗
  7. 7
    Gemini 3.8 Flash(谷歌,2026)

    办公工作流 59.9%,智能水平被爱好者拿来与 Opus 级别相比;但同一模型在 Vals AI 上每次终端测试花费 $8.65,是预算档中完成任务账单最高的。

    来源 ↗
  8. 8
    GPT-6 Luna(OpenAI,2026)

    办公得分视评测方而异,接近翻三倍:在 Meta 的单次尝试表中为 20.2%,在 AA 的标准测试中为 53.2%;而在 Cognition 的榜单上,可合并性只有 23.8%。

    来源 ↗
  9. 9
    Qwen3.8-27B(阿里巴巴 Qwen,开放权重,2026)

    小型档的图形界面专家:OSWorld-Verified 得分 84.3%(综合排名第四),而 Terminal-Bench 4.0 只有 5.1%——桌面应用能做,容器化的终端做不了。

    来源 ↗
  10. 10
    Kimi K3(月之暗面,2026)

    一个警示:$3/$15 的标价仍只换来 Cognition 可合并代码榜上的 17.7%,以及 Vals AI 测试中每次终端测试 $12.48——光靠标价买不到智能体的可靠性。

    来源 ↗

Z.ai 注意到的内容

在小型档中,桌面技能和终端技能几乎不相关:Qwen3.8-27B 在 OSWorld-Verified 上综合排名第四(84.3%),却只解决了 Terminal-Bench 4.0 任务的 5.1%——按你的步骤实际运行的地方来选。

在任何价位,可合并代码都极其困难:即便是 FrontierCode 2.0 的领先者 Claude Opus 5.5,也只通过了 49.1% 的维护者测试,而没有一个廉价模型能超过 35%。

🇨🇳 Kimi10 个名次 · 3 条备注

同一个问题,仅由 Kimi 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Haiku 5.5(2026)

    唯一在代码栏上获胜的小模型:FrontierCode 2.0 得分 34.9%,比 Muse Ember 高 7.7 分,同时在 Terminal-Bench 上拿到 39.2%。

    来源 ↗
  2. 2
    Meta Muse Ember(2026)

    完成 37.8% 的办公工作流——是 Haiku 完成率的 2.7 倍,但维护者的合并测试让局面翻转:它是 27.2%,Haiku 是 34.9%。

    来源 ↗
  3. 3
    GLM-5.3(2026)

    已发布的开放权重中终端成绩最好(43.4%)——一个开放模型,在命令行上的表现超过了所有廉价的闭源对手。

    来源 ↗
  4. 4
    DeepSeek V4.1 Flash 1017(2026)

    最便宜的正经编程选项:FrontierCode 2.0 得分 19.3%,每次推演 $0.38;Terminal-Bench 为自报 42.3%,独立测试 33.8%。

    来源 ↗
  5. 5
    MiniMax M3.1 Flash(2026)

    Terminal-Bench 4.0 得分 38.1%——比输出价格相近(约 $0.60)的 Luna 高 22 分;目前尚未发布办公或合并代码的数据。

    来源 ↗
  6. 6
    GLM-5.3-Flash(2026)

    Terminal-Bench 4.0 得分 35.8%,每项任务 $0.36——是廉价终端工作开始变得可靠的性价比节点。

    来源 ↗
  7. 7
    GPT-6 Luna(2026)

    同一模型中办公强、编程弱的分化:在业务流程上表现强(AutomationBench-AA 在 AA 的一次测试中为 53%,在 Meta 更严格的图表中为 20.2%),但在 Terminal-Bench 上只有 16.4%。

    来源 ↗
  8. 8
    Gemini 3.5 Flash(2026)

    AutomationBench-AA 得分 42.6%——是发布时亚前沿模型在该榜单上取得的最佳办公流程成绩。

    来源 ↗
  9. 9
    MiMo-V2.6-Flash(2026)

    Terminal-Bench 4.0 得分 24.2%,每项任务 $0.21——终端通过率最低,但有一个注意事项:Vals AI 发现其三分之二的编程任务可能泄露了答案。

  10. 10
    Gemini 3.1 Flash-Lite(2026)

    每个办公流程任务不到 $0.05——是 AutomationBench-AA 费用区间的底线,适用于失败也可以随意重试的步骤。

    来源 ↗

Kimi 注意到的内容

办公与编程的分化真实而且巨大:Muse Ember 在业务流程上比 Claude Haiku 5.5 高出 24 分(37.8 对 13.9),但在可合并代码上落后 7.7 分(27.2 对 34.9)——收件箱交给一个模型,代码库交给另一个。

厂商的表格会有水分:深度求索 V4.1 Flash 1017 在深度求索自己的评测中,Terminal-Bench 4.0 得分 42.3%,但 Artificial Analysis 运行时为 33.8%——偏差 8.5 分,且只朝一个方向偏。

开放权重已经缩小了终端差距,却没有缩小办公差距:GLM-5.3(43.4%)和深度求索 V4.1 Flash(42.3%)在已发布的开放权重中领跑 Terminal-Bench 4.0,而在 AutomationBench-AA 的顶部,看不到任何开放模型的身影。

🇨🇳 DeepSeek10 个名次 · 2 条备注

同一个问题,仅由 DeepSeek 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Muse Ember(Meta,2026)

    廉价档中唯一在业务流程(严格 37.8%)上顶尖、在终端工作(40.9%)上有竞争力的模型,但它的编程补丁只有 27.2% 会被合并。

    来源 ↗
  2. 2
    Claude Haiku 5.5(Anthropic,2026)

    廉价档中可合并代码的编程者:FrontierCode 2.0 得分 34.9%,但办公流程严格测试只有 13.9%——它会修代码,却不管电子表格。

    来源 ↗
  3. 3
    DeepSeek V4.1 Flash 1017(深度求索,2026)

    终端专家:Terminal-Bench 4.0 得分 42.3%,AutomationBench v1.0.6 得分 60.5%,但 FrontierCode 只有 28%——执行命令很强,交付可合并的补丁则较弱。

    来源 ↗
  4. 4
    MiMo-V2.6-Pro(小米,2026)

    办公表现强:AutomationBench-AA 59%,Terminal-Bench 35%;但 FrontierCode 只有 24%,维护者很可能会把补丁退回。

    来源 ↗
  5. 5
    MiniMax M3.1 Flash(MiniMax,2026)

    廉价组中办公流程冠军,AutomationBench-AA 达 72.5%,但 FrontierCode 只有 21%,Terminal-Bench 只有 26%——把电子表格交给它,别让它处理拉取请求。

    来源 ↗
  6. 6
    GPT-6 Luna(OpenAI,2026)

    单任务费用低($0.15),但办公和终端成绩都弱:AutomationBench 严格测试 20.2%,Terminal-Bench 16.4%,FrontierCode 25.2%。

    来源 ↗
  7. 7
    GLM-5.3-Flash(智谱AI,2026)

    AutomationBench 得分 60%,是可信的办公步骤执行者;但 FrontierCode 15%、Terminal-Bench 33%,让它无法胜任代码仓库的工作。

    来源 ↗
  8. 8
    Ling 3.0 Flash(InclusionAI,2026)

    每项任务约 $0.054,是这一组中最便宜的能办公模型,AutomationBench 为 53%;但 FrontierCode 只有 11% 至 15%,Terminal-Bench 为 32.4%。

    来源 ↗
  9. 9
    Gemini 3.8 Flash(谷歌,2026)

    高推理强度下 AutomationBench 得分 60%,但 FrontierCode 只有 19%,Terminal-Bench 只有 20%——提醒人们,办公能力并不会转化为可合并的代码能力。

    来源 ↗
  10. 10
    Nanbeige4.3-33B(南北阁,2026)

    一个小型开放权重模型,在 AutomationBench 上胜过 Qwen3.8 27B(53% 对 48%),但在 FrontierCode 上降到 11%——是有用的办公帮手,却不是维护者会合并的人选。

    来源 ↗

DeepSeek 注意到的内容

Muse Ember 在廉价办公流程榜上以 AutomationBench 严格测试 37.8% 领先,但它在 FrontierCode 上的 27.2%,清楚地显示了这种分化:能完成 30 步业务流程的模型,并不是维护者想让它审阅拉取请求的模型。

MiniMax M3.1 Flash 在 AutomationBench-AA 上得分 72.5%,高于 Muse Ember,但在 FrontierCode 上只有 21%。在廉价档中,办公流程和可合并代码确实是两种不同的能力。

🇨🇳 Wenxin10 个名次 · 1 条备注

同一个问题,仅由 Wenxin 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Anthropic Claude Haiku 4.5(2026)

    办公流程与代码测试双双领先——是唯一两项都做得好的小模型

  2. 2
    OpenAI GPT-4o mini(2026)

    小模型中终端任务完成得最好——但办公步骤和可合并代码都落后于 Haiku

    来源 ↗
  3. 3
    谷歌 Gemini 2.5 Flash-Lite(2026)

    廉价档的办公流程之王——代码合并率几乎没有改变局面

    来源 ↗
  4. 4
    Meta Muse Ember(2026)

    办公尚可,可合并代码偏弱——30 步的任务是它的强项

  5. 5
    DeepSeek-V3 Lite(2026)

    代码补丁通过率高于其办公份额——与大多数小模型恰好相反

  6. 6
    Mistral Small 3.1(2026)

    扎实的双语办公模型——代码合并率不到四分之一

    来源 ↗
  7. 7
    Cohere Command R+ 08-2026(小型)

    办公与检索增强工作流领先——代码和终端只是附带

    来源 ↗
  8. 8
    Qwen 3 4B(2026)

    终端任务做得便宜——但办公流程和代码合并都不尽人意

  9. 9
    微软 Phi-4 Mini(2026)

    列表中最小的大脑——办公、代码和终端都在 25% 以下

  10. 10
    Stability AI Stable LM 2 1.6B(2026)

    办公流程 28%,代码 11%——便宜是便宜,但还没到能交给智能体的程度

Wenxin 注意到的内容

没有一个小模型在 FrontierCode 2.0 的维护者测试中通过率超过 38%;最好的(Haiku 4.5,38%)仍有六成的可合并补丁不合格——说明“小”仍然意味着“草稿,而非可合并”。

🇨🇳 Qwen10 个名次 · 2 条备注

同一个问题,仅由 Qwen 回答。上方的最终榜单综合了所有 AI。

  1. 1
    谷歌 Gemini 4 Argon

    在 SaaS 自动化榜单上领先,但在真实的维护者代码审查中停滞不前。

    来源 ↗
  2. 2
    Meta Muse Ember

    专为日常的重复性 API 调用和智能体的路由工作而打造。

    来源 ↗
  3. 3
    阿里巴巴 Qwen 2.5 Coder 32B

    开源的终端任务与可合并补丁之王。

    来源 ↗
  4. 4
    Anthropic Claude Haiku 5.5

    Anthropic 的安全护栏让它不会违反 SaaS 工作流的规则。

  5. 5
    OpenAI GPT-4o-mini

    终端命令的可靠备选,但在复杂的合并标准上较弱。

    来源 ↗
  6. 6
    Meta Llama 3.3 70B / 3.1 8B

    本地处理终端杂务的默认选择,在 SaaS 编排上落后。

    来源 ↗
  7. 7
    Mistral Large 4 / Small

    在 FrontierCode 严格的评分标准上,表现超出了它的体量。

    来源 ↗
  8. 8
    阿里巴巴 Qwen 2.5 7B

    在限定于 Zapier 式工作流时,是一个出乎意料能干的办公助手。

  9. 9
    DeepSeek Coder V2 / V3-Lite

    擅长终端自动化,但在多应用的业务逻辑上吃力。

    来源 ↗
  10. 10
    谷歌 Gemma 2 9B

    适合轻量的本地浏览器任务,但面对复杂的规格说明容易混乱。

Qwen 注意到的内容

AutomationBench-AA 与 FrontierCode 2.0 衡量的是相反的能力:Gemini 4 Argon 在办公流程上大获全胜(77.5%),但在真实的维护者代码合并上只得 26.3%。

Terminal-Bench 4.0 偏爱原生命令行的模型,其中 Qwen 2.5 Coder 32B 达到 65.2%,说明终端智能体需要与图形界面智能体不同的训练。