如何科学评估大模型Agent在真实工作场景中的实际能力？

评估大模型Agent在真实工作场景中的能力，需摒弃已饱和的传统静态基准，转而关注那些任务真实反映实际工作场景、且前沿模型得分尚未饱和的动态基准。当前最具参考价值的评估体系主要涵盖以下五个核心维度：

首先是工具调用与MCP编排能力。这是智能体从“会对话”迈向“能办事”的关键门槛。Toolathlon-Verified是此领域的代表性基准，由香港科技大学主导开发，通过108个手工构建的真实场景任务，评估智能体读懂API文档、调用外部工具及编排多步骤工具链的能力。相比规模更大但真实性稍弱的MCP-Atlas，Toolathlon-Verified更强调现实环境中的复杂交互。

其次是环境交互与计算机操作能力。Terminal-Bench 3.0是当前衡量Agent通过终端操作计算机能力的优选基准。相较于得分趋同的2.1版本，3.0版本增加了更高难度的任务，覆盖软件工程、系统管理等广泛场景。GLM-5.3在此基准中取得开源第一，分数达到28.3，与其他模型拉开显著差距，证明了其在真实终端环境中的执行优势。

第三是代码开发与软件工程能力。传统SWE-bench存在数据污染隐患，而DeepSWE、NL2Repo和ProgramBench通过从头编写任务、不回灌上游数据，确保了评估的公正性。DeepSWE专注于长周期软件工程任务，NL2Repo考察从零生成仓库的能力，ProgramBench则衡量整体软件开发能力。目前前沿模型在这些基准上的得分主要在10-70分区间，具备良好的区分度。

第四是高级推理与长周期规划能力。Agents' Last Exam（ALE）被誉为“智能体最后的考试”，由加州大学伯克利分校牵头推出，涵盖55个子领域和13个行业集群。其设计初衷是弥合基准测试成功与实际经济影响之间的鸿沟。目前主流模型在ALE高难度层级的平均完全通过率低于1%，表明该领域仍是检验Agent深度推理与长周期规划能力的试金石。

最后是垂直领域专业智能体能力。CyberGym、Harvey LAB-AA等基准分别针对网络安全、法律等高价值职业场景。CyberGym通过白盒代码审查与漏洞发现任务，评估智能体的专业安全能力。GLM-5.3在此测试中得分高于Mythos 5及GPT-5.6 Sol，显示出在特定垂直领域的强大潜力。综合来看，上述基准共同构成了一个多维、动态且贴近真实的评估框架，为科学评判大模型优劣提供了可靠依据。