免费模型与本地选项

6 个入口

免费额度以提供方控制台为准;部分免费 API 可能用于训练,请勿上传敏感数据。数据由平台每日定时刷新。

免费不等于没有代价。部分免费 API 可能用于训练或有速率限制;请勿上传敏感数据,额度以提供方最新控制台为准。社区里的使用经验也需要标注日期,因为额度规则会变。

Agent 基准观测

4 个独立观测面
01 / CODE活跃
64.85%
TERMINAL-BENCH 4.0

终端与运维

真实终端任务,仍能有效区分前沿 Agent。

LEADERClaude Opus 5.5
HARNESS / Claude Code · max effort
看相关复现与讨论
02 / BUILD活跃
61.5% ±3.1
SWE-BENCH PRO

复杂软件工程

更难的长程编码任务;旧 Verified 已接近失效。

LEADERMuse Spark 1.1
HARNESS / mini-swe-agent
看相关复现与讨论
03 / OPERATE未解
20.6%
OSWORLD 2.0

长流程电脑操作

全对率仍低,部分完成分数为 54.8%。

LEADERClaude Opus 4.8
HARNESS / max thinking · 500 steps
看相关复现与讨论
04 / REASON活跃
55.2% pass¹
τ³-BANKING

检索与政策遵循

同时考察知识检索、工具使用与规则遵循。

LEADERQwen 3.8 Max
HARNESS / 公开榜单口径
看相关复现与讨论
01

看任务,不迷信总榜编码、浏览器与电脑操作是不同能力。

02

分数必须带 Harness脚手架可能显著改变同一模型的表现。

03

警惕基准饱和接近人类基线后,名次就失去了分辨力。

使用这些资源前

  • 核对许可版本:「开放权重」不等于「开源」;商用条款可能分档并有署名要求。
  • 记录额度日期:免费层限额变化频繁,社区经验需要标注测试日期。
  • 区分基准口径:不同 Harness 与任务集的分数不可直接混用。
  • 不要在免费端点上传敏感数据:是否用于训练取决于提供方条款与账号档位。