评测来源官方评测
Mercor APEX-Agents 1.1
Mercor / 专业办公 · 投行、咨询和法律里的长任务，看模型当助手能不能把一件完整的工作做完。
在 AI Insight Hub 中参与排名
证据预算4%
上游数据时间09/08 08:00
最近成功同步10/03 20:05
它测什么，怎么测
固定 1.1 数据集和官方 Loop 环境，采用 Pass@1 及其对应误差，按预先固定的推理档位选配置。Mean Score 是评分项平均完成度，不混作任务完成率。
如何使用这份证据
固定 1.1 版官方 Loop 的 Pass@1，独占工具与办公预算中的 4%；另 2% 用于统一环境的银行业务任务。
评测成绩
按固定规则，每个公开模型采用一套代表配置。匿名测试型号不展示，保留原榜名次，每项最多 30 个。
| 原榜名次 | 原榜型号 | 原始成绩 | 代表配置 |
|---|---|---|---|
| 1 | gemini-4-argonGoogle | 82.2% | High 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 2 | claude-sonnet-5-5— | 75.5% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 3 | claude-opus-5-5— | 73.5% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 4 | claude-fable-5.1— | 68.6% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 5 | gemini-3.7-flash— | 67.8% | High 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 6 | claude-opus-5— | 65.8% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 7 | grok-4-6-xhigh— | 65.3% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 8 | gpt-6-astra-max— | 64.7% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 9 | gemini-3.8-flash— | 64.3% | High 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 10 | claude-fable-5— | 63.6% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 11 | qwen-3-8-max-xhigh— | 63.3% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 12 | gpt-6-1-sol— | 60.0% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 14 | muse-spark-1-3— | 58.6% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 15 | gpt-5.6-terra-max— | 58.2% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 16 | glm-5-3— | 56.6% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 17 | grok-4-5— | 56.2% | High 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 18 | deepseek-v4-flash— | 55.3% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 19 | gpt-5.5-xhigh— | 55.1% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 20 | grok-4.7— | 54.6% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 21 | claude-sonnet-5-max— | 54.5% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 22 | gpt-6-sol— | 54.3% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 23 | glm-5-3-flash— | 52.8% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 24 | opus-5.5Anthropic | 52.5% | Medium 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 25 | responses/gpt-5.4OpenAI | 52.4% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 26 | gpt-5-6-sol-max-proOpenAI | 51.4% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 27 | kimi-k3— | 50.6% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 28 | claude-opus-4-7— | 49.2% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 29 | claude-opus-4-8— | 48.9% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 30 | qwen-3-8-27b— | 47.5% | xHigh 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
| 31 | deepseek-v4-pro-08-13DeepSeek | 47.3% | Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent |
评测局限与数据署名
限投行、咨询、法律任务；原页未提供逐型号评测日期，少量运行缺失的原因尚未公开。不能将此分数解释为所有办公工作的可靠性。
数据许可：官方公开结果；数据与代码许可不等于榜单再分发授权
成绩由 Mercor 发布，原始分数与 AI Insight Hub 共识分使用不同尺度，不能直接相加。