AI 评测与排行榜,分别告诉你什么
分清评测基准、一次评测运行与排行榜,用它们回答各自适合的问题。
LLM Stats
A benchmark for evaluating tool-agent-user interaction in retail environments. Tests language agents' ability to handle dynamic conversations with users while using domain-specific API tools and following policy guidelines. Evaluates agents on tasks like order cancellations, address changes, and order status checks through multi-turn conversations.
本站保留来源报告的结果,不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期;不同运行条件不能直接合并为统一排名。
按来源中的观察顺序展示,顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| Claude Sonnet 4.5 | 0.862 | 未收录 | 未收录 | 2025-09-29 · model_announcement | LLM Stats |
| Claude Opus 4.1 | 0.824 | 未收录 | 未收录 | 2025-08-05 · model_announcement | LLM Stats |
| Claude Opus 4 | 0.814 | 未收录 | 未收录 | 2025-05-22 · model_announcement | LLM Stats |
| Claude 3.7 Sonnet | 0.812 | 未收录 | 未收录 | 2025-02-24 · model_announcement | LLM Stats |
| Claude Sonnet 4 | 0.805 | 未收录 | 未收录 | 2025-05-22 · model_announcement | LLM Stats |
| GLM-4.5 | 0.797 | 未收录 | 未收录 | 2025-07-28 · model_announcement | LLM Stats |
| GLM-4.5-Air | 0.779 | 未收录 | 未收录 | 2025-07-28 · model_announcement | LLM Stats |
| Qwen3-Coder 480B A35B Instruct | 0.775 | 未收录 | 未收录 | 2025-01-31 · model_announcement | LLM Stats |
| o4-mini | 0.718 | 未收录 | 未收录 | 2025-04-16 · model_announcement | LLM Stats |
| o1 | 0.708 | 未收录 | 未收录 | 2024-12-17 · model_announcement | LLM Stats |
| Qwen3-Next-80B-A3B-Thinking | 0.696 | 未收录 | 未收录 | 2025-09-10 · model_announcement | LLM Stats |
| Claude 3.5 Sonnet | 0.692 | 未收录 | 未收录 | 2024-10-22 · model_announcement | LLM Stats |
| GPT-4.5 | 0.684 | 未收录 | 未收录 | 2025-02-27 · model_announcement | LLM Stats |
| GPT-4.1 | 0.68 | 未收录 | 未收录 | 2025-04-14 · model_announcement | LLM Stats |
| GPT OSS 120B | 0.678 | 未收录 | 未收录 | 2025-08-05 · model_announcement | LLM Stats |
| Qwen3-235B-A22B-Thinking-2507 | 0.678 | 未收录 | 未收录 | 2025-07-25 · model_announcement | LLM Stats |
| MiniMax M1 40K | 0.678 | 未收录 | 未收录 | 2025-06-16 · model_announcement | LLM Stats |
| MiniMax M1 80K | 0.635 | 未收录 | 未收录 | 2025-06-16 · model_announcement | LLM Stats |
| Qwen3-Next-80B-A3B-Instruct | 0.609 | 未收录 | 未收录 | 2025-09-10 · model_announcement | LLM Stats |
| GPT-4o | 0.603 | 未收录 | 未收录 | 2024-08-06 · model_announcement | LLM Stats |
| o3-mini | 0.576 | 未收录 | 未收录 | 2025-01-30 · model_announcement | LLM Stats |
| GPT-4.1 mini | 0.558 | 未收录 | 未收录 | 2025-04-14 · model_announcement | LLM Stats |
| GPT OSS 20B | 0.548 | 未收录 | 未收录 | 2025-08-05 · model_announcement | LLM Stats |
| Claude 3.5 Haiku | 0.51 | 未收录 | 未收录 | 2024-10-22 · model_announcement | LLM Stats |
| GPT-4.1 nano | 0.226 | 未收录 | 未收录 | 2025-04-14 · model_announcement | LLM Stats |