一个"聪明"的模型为什么"笨手笨脚"

你遇到过一个"聪明但笨手笨脚"的同事吗？他考试满分，但让他独立完成一个项目——计划混乱、执行拖沓、不会求助。2026年的AI模型也有类似的问题：文本能力最强的模型，Agent能力不一定最强。

Agent能力是一套与文本生成完全不同的技能组合：它需要理解环境、制定计划、使用工具、处理错误、在失败后调整策略。这些能力在传统的MMLU和HumanEval上完全得不到体现。

四大Agent评测维度

维度一：工具调用（Function Calling）。 模型能否准确选择工具、正确填充参数、处理工具返回结果？在BFCL（Berkeley Function Calling Leaderboard）上，GPT-5以92.1%排名第一，Claude 4 Opus以90.7%紧随其后。Gemini 3 Ultra在复杂嵌套工具调用中表现不佳（81.3%）。

维度二：网页操作（Web Navigation）。 模型能否在真实网页上完成"预订机票"“查找商品"“填写表单"等任务？在WebArena评测中，Claude 4 Opus以38.2%的任务完成率排名第一——这个数字看起来很低，但已经比2025年的最佳成绩（25.1%）有了巨大进步。Gemini 3 Ultra在视觉理解上有优势，网页操作成功率35.7%。

维度三：代码Agent（SWE-bench）。 模型能否在代码仓库中自主定位bug、修改代码、运行测试？Claude 4 Opus以53.2%排名第一，GPT-5为48.7%。Claude 4 Opus在Agent模式下的优势在于：它更擅长"搜索-阅读-修改-验证"的循环，而GPT-5倾向于一次性生成大段代码，错误率更高。

维度四：多步规划（Multi-step Planning）。 模型能否将一个复杂任务分解为子任务，按顺序执行，并在失败时重新规划？这是我们设计的自定义测试。GPT-5在规划能力上最强，Claude 4 Opus在执行能力上最强。

Agent能力的"木桶效应”

Agent能力遵循木桶原理——最短的木板决定了整体水平。 一个模型可能在工具调用上得分很高，但如果它在错误恢复上表现不佳，整体Agent能力就被拉低了。

我们发现的一个关键现象：模型在Agent任务中的失败，80%不是因为"不会做”，而是因为"中间步骤出错后无法恢复"。 模型倾向于在第一次失败后"放弃"或"重试相同的错误策略"，而不是尝试不同的方法。

2026年Agent能力排名

综合四大维度，2026年Agent能力排名：

  1. Claude 4 Opus：执行能力最强，代码Agent和网页操作均领先
  2. GPT-5：规划能力最强，工具调用最准确
  3. Gemini 3 Ultra：多模态Agent有独特优势
  4. DeepSeek V3：Agent能力快速进步，但稳定性不足

一个反直觉的结论：如果你需要Agent能力，选择"文本能力第二但Agent能力第一"的Claude 4 Opus，而不是"文本能力第一但Agent能力第二"的GPT-5。 Agent能力是2026年模型选择中最被低估的维度。