榜单 · 更新于 2026-06

哪个模型当龙虾的“大脑”更合适

龙虾本身不带智商，它要接一个大模型当大脑。换个模型，同一只龙虾的表现可能差出一截。新手最常踩的坑，是照着别人推荐随手接一个，结果跑多步任务时它中途忘事、工具参数填错、或者一句中文指令理解偏了——任务就废在半路。所以选模型这件事，对智能体比对聊天机器人重要得多：聊天只要它“答得好”，智能体要它“一连串动作都不出错”。

下面这张表，是我们用同一组任务把 10 个常见模型跑下来、按统一口径排的序。先说清楚评分方法，再看排名。

评分方法（四项，与关于页口径一致）

• 工具调用稳定性 · 30%　让它跑同一批多步任务，看中途崩不崩、参数填对的比例。这一项对智能体最关键，权重最高。
• 长任务连贯性 · 25%　任务拉长后会不会忘了前面、自己绕进死循环。
• 中文表现 · 25%　中文指令的理解和输出质量，含术语别译错。
• 成本与可得性 · 20%　API 价格、能不能本地跑、量化后掉多少。

⚠️ 这是编辑部排的序，不是官方跑分。下表的“推荐档”是上面四项综合后的定性判断，分第一档 / 第二档 / 第三档，排名只靠 # 列的先后体现，我们不打精确分数，因为没有谁真做过统一的官方基准测试。这是截至 2026-06 的编辑部观点，会随版本更新，不等于任何公开榜单的成绩。每项怎么看、用的什么任务集，写在关于与评分方法里，你可以拿同样的口径自己核对。

2026-06 榜单

推荐档是我们的主观判断，会随版本和测试任务变化，不必当成定论。看到和你的体感不一致很正常——不同任务对“稳定性”的要求差别很大。建议照评分方法里的口径，拿你自己常跑的活试一两个候选，比看任何榜单都准。如果你发现某条标注（比如“本地可跑”）不对，欢迎到更正记录页看我们怎么改、或者告诉我们。