LLM Agent 能力排行：中文任务规划参考
这里说的 Agent 能力，是让模型自主拆解复杂任务、按步骤执行的能力。 需要说明：Artificial Analysis 在 2026 年 6 月改版后已不再单独发布 Agentic Index， 只剩统一的 Intelligence 维度。本页不再展示旧的 AA Agentic 子榜， 改以 SuperCLUE 中文智能体(任务规划)为核心参考。
数据源变更说明
AA 新版 leaderboard 把原来的 Intelligence / Coding / Agentic 三个子维度合并为一个 Intelligence 分数。 原页面里的 "AA Agentic Index" 表格实际与 Intelligence 排名完全一致，继续展示会造成误导。 本页已移除该表。如果你需要国际通用的综合能力参考，请查看 性价比散点图 或 模型详情库。
中文任务规划，GPT-5.5(high) 排第一。 SuperCLUE 智能体维度 86.56 分，比第二名 Qwen3.6-Max-Preview(Thinking)（83.41）高 3.15 分。 但这个维度主要反映"用中文派活"的规划能力，不等于工具调用或多步骤工程执行。
国内头部咬得很紧。 Qwen3.6-Max-Preview(Thinking) 以 83.41 分排国内第一， 前三名的 Qwen3.6-Max-Preview(Thinking) / Kimi-K2.6-Thinking / DeepSeek-V4-Pro(max) 都在 80 分以上。 国内前五平均 78.76 分，和国际第二梯队差距已经不大。
DeepSeek V4 Flash 再次证明"够用就好"。 它在智能体维度拿到 75.56 分， 只比 Pro 低约 2.56 分，价格却只有 Pro 的几分之一。批量中文 Agent 任务可以优先考虑。
SuperCLUE 智能体(任务规划) · Top 12
来源：SuperCLUE（2026-05，2026-05-31 抓取）。 这个维度测的是"给定一个中文复杂任务，模型能否拆解成子步骤、按正确顺序执行、处理中间异常"。 更偏向"规划型 Agent"，而不是"工具调用型 Agent"。
| # | 模型 | 智能体 | 属地 |
|---|---|---|---|
| 1 | GPT-5.5(high) OpenAI | 86.56 | 🇺🇸 |
| 2 | Qwen3.6-Max-Preview(Thinking) 阿里巴巴 | 83.41 | 🇨🇳 |
| 3 | Kimi-K2.6-Thinking 月之暗面 | 80.95 | 🇨🇳 |
| 4 | DeepSeek-V4-Pro(max) 深度求索 | 78.12 | 🇨🇳 |
| 5 | Doubao-Seed-2.0-pro-260215(high) 字节跳动 | 75.77 | 🇨🇳 |
| 6 | Claude-Opus-4.7(high) Anthropic | 75.70 | 🇺🇸 |
| 7 | DeepSeek-V4-Flash(max) 深度求索 | 75.56 | 🇨🇳 |
| 8 | Gemini-3.1-Pro-Preview(high) Google | 75.12 | 🇺🇸 |
| 9 | Qwen3.6-27B(Thinking) 阿里巴巴 | 73.39 | 🇨🇳 |
| 10 | Doubao-Seed-2.0-lite-260428(high) 字节跳动 | 72.92 | 🇨🇳 |
| 11 | Spark X2 科大讯飞 | 71.83 | 🇨🇳 |
| 12 | Claude-Opus-4.8(high) Anthropic | 71.63 | 🇺🇸 |
GPT-5.5(high) 在中文任务规划上也没给对手留多少空间。 86.56 分比 Claude-Opus-4.7(high) 的 75.7 分高出约 10.86 分。 这和 SuperCLUE 代码生成榜的趋势一致：OpenAI 在中文派活这个场景里反而比 Anthropic 更稳。
Qwen3.6-Max-Preview(Thinking) 是国内第一。 83.41 分，超过 Kimi K2.6 Thinking 和 DeepSeek V4 Pro。 阿里在 Qwen3 系列上的中文指令遵循和步骤拆解能力，在这个维度上确实比月之暗面和深度求索更突出。
豆包 Seed-2.0 pro 排名第五，但分数和第 4 名只差 2.35 分。 字节在中文任务规划上的表现常被低估，因为豆包很多评测没参加国际榜。只看 SuperCLUE，它是国内前五的常客。
SuperCLUE 智能体 · 国内 Top 10
把全球榜里的国内厂商单独筛出来看，内部排序和全球视角略有不同。
| # | 模型 | 智能体 | 机构 |
|---|---|---|---|
| 1 | Qwen3.6-Max-Preview(Thinking) | 83.41 | 阿里巴巴 |
| 2 | Kimi-K2.6-Thinking | 80.95 | 月之暗面 |
| 3 | DeepSeek-V4-Pro(max) | 78.12 | 深度求索 |
| 4 | Doubao-Seed-2.0-pro-260215(high) | 75.77 | 字节跳动 |
| 5 | DeepSeek-V4-Flash(max) | 75.56 | 深度求索 |
| 6 | Qwen3.6-27B(Thinking) | 73.39 | 阿里巴巴 |
| 7 | Doubao-Seed-2.0-lite-260428(high) | 72.92 | 字节跳动 |
| 8 | Spark X2 | 71.83 | 科大讯飞 |
| 9 | Qwen3.7-Max(Thinking) | 71.16 | 阿里巴巴 |
| 10 | ERNIE 5.1 | 70.44 | 百度 |
前五名差距只有 7.85 分。 国内头部在中文任务规划上已经高度同质化，选谁主要取决于价格、调用稳定性和你已经用的生态。 比如 Kimi 的长上下文、DeepSeek 的低价、豆包的语音/多模态生态，都能成为决定性因素。
按场景选：中文 Agent 任务的 4 个组合
方法学说明 / 这份榜不能告诉你的事
- AA Agentic Index 已取消。2026 年 6 月 AA leaderboard 改版后，原 Agentic Index 被合并进统一的 Intelligence 维度。本页不再展示 AA Agentic 子榜。
- SuperCLUE 测的是"规划型 Agent"。侧重任务拆解、步骤排序、异常处理策略，不覆盖工具调用、终端操作、数据库交互等"工程型 Agent"能力。
- 国外模型在 SuperCLUE 里标为参考分。本表按实际分数排序，和官方排名的处理方式不同。
- 模型版本不一致。SuperCLUE 这期录的是 Kimi K2.6 Thinking、DeepSeek V4 Pro(max) 等，和你实际调用的 endpoint 可能不是同一个版本。结论按家族看。
- 数据 2026-05-31 抓取。Agent 能力迭代快，本页跟着 SuperCLUE 月榜更新。
想接下来做什么
- 跳到 编程能力排行 看代码维度的独立数据源。
- 去 2026 Q2 选型盘点 看综合场景推荐。
- 查 模型详情库 看每个模型的多源数据聚合。
- 搭一个真实 Agent 工作流跑 20 个测试 case——榜单只能帮你缩小范围，最终选型要靠实测。