Toolery 基准实测 15 个本地模型工具调用

2026 年 10 月 5 日，AGI Hunt 发布一项实测结果：作者使用 Toolery 基准对 15 个本地模型进行 agent 能力与工具调用能力的测试。结果显示，qwen3.8-27b 以 71.8% 的成绩排在首位；mellum2-12b-a2.5b-thinking 以 71.4% 位居第二，gemma-4-26b-a4b 以 70.4% 紧随其后，三者成绩较为接近。榜单末端，prism-ml/bonsai-27b 以 50.5% 垫底，与榜首相差约 21 个百分点。报道未披露测试的具体题目构成、评分口径、运行环境或各模型其余名次的完整数据，也未说明测试次数与误差范围，因此各模型之间的细微分差是否具有统计意义尚无法从该报道判断。截至该报道，这是本事件唯一一次公开的 Toolery 基准实测结果，尚无其他来源的复现或对比数据。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。