Agent × 大模型：2026 全球主流
「框架 + 模型」组合能力评测与选型指南

三条关键发现

• ① 组合，而非模型，才是选型单位。同一模型换脚手架，Terminal-Bench 分差可达 5–30 个百分点，超过一次模型代际升级的收益。Terminal-Bench 2.0 官方榜前 12 名全部以「harness × model」形式提交，榜首是专用 harness（NexAU-AHE × GPT-5.5，84.7%），不是任何裸模型。
• ② Anthropic 协议成为事实标准，"Claude Code 挂国产脑"是本周期最大结构性变化。GLM、Kimi、Qwen 全部提供 Anthropic 兼容端点，两个环境变量即可让 Claude Code 直连 GLM-5.3。加权口径下，Claude Code + GLM-5.3 以 84.3 分位列第二，成本只有官方 Opus 5 组合的约 1/4。
• ③ 开源已进入前沿带，但"顶点"仍由闭源把守。Kimi K3 成为首个登顶 LMArena 编码类榜单（Frontend Code，1679 Elo）的开源模型，AA 智能指数 59.70 距离闭源第一梯队不足 4 分；但在 SWE-bench Pro、GAIA 等硬基准上，Claude / GPT-5.6 仍保持 5–15 分领先。

一句话选型结论

追求质量上限选 Claude Code + Opus 5 / Fable 5；追求性价比选 Claude Code + GLM-5.3 或 Codex + DeepSeek V4 Pro；高并发低预算选 Codex + GPT-5.6 Luna 或 Gemini 3.7 Flash；需要自部署与数据主权选 OpenHands + GLM-5.2（MIT）；受监管行业在国内选 Qwen / DeepSeek / GLM / Kimi 的官方合规通道。没有"最好"的组合，只有与你的预算、合规约束、任务形态匹配的组合——第 08 节给出完整决策矩阵。

从"最强模型"到"最强组合"

2024–2025 年的模型评测默认一个隐含假设：能力住在模型里，买最好的模型就够了。2026 年的数据推翻了这个假设。Princeton HAL 榜单上，Anthropic 包揽前六的真正原因是 HAL Generalist Agent 脚手架——同一道 GAIA 题目，裸模型约 44.8%、HAL 脚手架 74.6%、自由工程化系统 92%+，三种口径相差 30 个百分点以上。Terminal-Bench 2.0 官方榜上，中立参考脚手架 Terminus 2 × Claude Opus 4.7 只拿到 69.4%，而专用 harness 上的同一代模型普遍在 80% 以上。LangChain 团队曾仅调整提示词与工具配置，就把一个 Top 30 的提交拉升到 Top 5。

与此同时，模型层的"可替换性"也在快速上升。Anthropic API 协议成为事实标准后，GLM、Kimi、Qwen 均提供兼容端点，Claude Code 这类官方绑定 CLI 实际上成了"通用框架壳"。评测网站已经先于采购决策完成了转向：Terminal-Bench、SWE-bench、SWE-Marathon、OSWorld 的榜单条目，都是「agent harness × model」的组合形式。

2026.09 格局速览

• 闭源前沿：Anthropic 以 Fable 5 / Opus 5 占据 AA 智能指数前 7 席；OpenAI GPT-5.6 家族（Sol / Terra / Luna 三档定价）于 7 月全面转正；Google Gemini 3.1 Pro 守住长上下文与科学推理，3.7 Flash 以 $0.75/$3.75 成为性价比标杆；xAI Grok 4.6 以 $2/$6 低价进入第一梯队，但缺少成熟的官方 Agent 框架。
• 开放权重：Kimi K3（登顶 LMArena 编码榜）、GLM-5.3（AA 59.51，但权重未开放）、DeepSeek V4（SWE-bench Verified 独立测 96.4%，开源最高）、Qwen 3.8（OSWorld-Verified 86.1%，计算机操作第一）构成国产四强。
• 流量结构：OpenRouter 8 月周榜 token 量前 10 被低价 MoE 模型主导（DeepSeek V4 Flash 12.3T、GLM 5.3 Flash 6.2T）——agent 流量"用便宜的，夸贵的"，口碑榜（Stack Overflow 2026 最爱工具 46%）仍被 Claude Code 垄断。

本报告回答的问题

• 全球主流「Agent 框架 × 模型」组合的综合能力排名如何？（第 06 节）
• 不同权重偏好（质量优先 / 成本优先）下，排名如何变化？（第 06 节敏感性分析）
• 不同人群、企业规模、行业与专业背景，应该怎么选？（第 08 节）
• 哪些数据口径的风险需要提前对冲？（第 09 节）

数据源清单与分级

归一化与加权方法

• 归一化：各基准原始分按「同类口径内的当前最佳表现 = 100」线性映射到 0–100 分。同一基准存在厂商自报与独立复测两种口径时，优先采用独立口径（Vals AI、AA、官方统一脚手架榜），自报口径仅作区间参考并标注。
• 两级权重：维度层——通用智能 25% / Agentic 能力 25% / 编码能力 20% / 成本性价比 15% / 生态与工程化 15%（均衡方案，与报告主题的 Agent 属性对齐，又不让单项主导）。数据源层——独立第三方 70%、官方验证榜 20%、厂商自报 10%。
• 组合口径：组合的模型侧维度（智能、编码、成本）以模型数据计；Agentic 与生态维度按「模型 × 框架」交互效应计分（如同一模型在 Claude Code 与原生 CLI 上分数不同）。
• 成本口径：按「单任务成本」评估——40K 输入 + 8K 输出 tokens（典型 agent 任务：仓库上下文 + 计划 + diff），计入缓存折扣与订阅方案，而非只看单价。

六个家族、15 个组合

五维评测框架

5.1 通用智能：Anthropic 把守前七，国产四强进入前沿带

• AA 指数前 7 席全部是 Anthropic 模型，头部 4.7 分内挤了 5 个模型——通用智能已进入"无显著差异"的贴身肉搏区，闭源第一梯队之间的选择应由编码/Agentic 分项和价格决定。
• LMArena 文本榜同口径：claude-opus-5-max 以 1569 Elo 居首，qwen3.8-max（1535）、kimi-k3-max（1529）、glm-5.3-max（1528）已进入 1520+ 前沿带。
• 值得注意的背离：DeepSeek V4 Pro 综合分 53 落后 Kimi K3 约 7 分，但其 SWE-V 独立测 96.4%——专项与综合的背离是国产模型的常态，按任务选模型比按总分选模型更重要。

5.2 编码能力：脚手架口径决定 15–20 分，独立复测是唯一硬通货

• SWE-bench Pro 才是分水岭：Verified 接近饱和（头部 5 个模型挤在 4 分内），Pro 上 Claude Mythos 5 / Fable 5 / Opus 5 以 79–80% 领先，GPT-5.6 Sol 64.6%、Qwen 3.8 Max 67.7%；Scale 标准化口径下第一名骤降至 59.1%（GPT-5.4）。公开集第一 ≠ 私有代码库表现。
• OpenAI 于 2026.02 以评测集污染为由停止提交 Verified；Scale AI 2026.07 审计称 Pro 公开集约 30% 任务损坏。本报告对无独立口径的厂商自报一律降权处理。
• LMArena WebDev 榜（人类盲测）：Opus 5 Max 1688 > Kimi K3 Max 1674 > Qwen 3.8 Max 1669——国产模型占编码盲测榜前三中的两席；Kimi K3 曾于 7 月以 1679 成为首个登顶 LMArena 编码类榜的开源模型。
• Aider Polyglot 官方榜 2025 年中后停更，前沿模型全部缺席，已不具区分度，本报告未采用。

5.3 Agentic 能力：组合口径的主场，也是分歧最大的维度

这是「框架 × 模型」交互效应最强的维度，也是本报告权重最高（与通用智能并列 25%）的维度。三组关键证据：

• 官方组合榜证明 harness 是第一变量：Terminal-Bench 2.0 官方榜前四：NexAU-AHE × GPT-5.5（84.7%）、LemonHarness × 多模型（84.5%）、Capy × GPT-5.5（83.1%）、Codex CLI × GPT-5.5（82.2%）；Claude Opus 4.8 的三个公开数字——Anthropic 图表 74.6%、OpenAI 图表 78.9%、Vals 独立测 71.9%——同一模型三个故事。
• 长时程是真正的瓶颈：SWE-Marathon（平均 2720 万 token/任务）天花板仅 42.0%（Kimi K3，已验证），组合条目 Claude Code + Opus 4.8 仅 26%；τ³-Bench 新增的 banking_knowledge 域最好模型只有 26.7%；BFCL V4 多轮函数调用最好的模型 68.4%——多轮、长程、知识密集任务远未解决。
• 计算机操作已被国产拿下：OSWorld-Verified 上 Qwen 3.8 Max 以 86.1% 超过 Claude Mythos 5（85.0%）居首（2026.08.15），并已越过人类基线 72.36%。需要桌面自动化能力的场景应重新评估国产选项。
• 工具调用纪律：BFCL V4 显示所有前沿模型在「决定不调用工具」的多轮场景显著退化（o3 多轮仅 14.8%）；τ²-Bench telecom 域 99% 接近饱和但 pass^8 可靠性口径下头部模型跌至 25% 以下——采购时应要求 pass^k 口径数据。

5.4 成本与性价比：单任务成本相差 45 倍，订阅锚点 $20/$100/$200

• 单任务成本极差 45 倍（Fable 5 $0.80 vs Luna $0.018），而独立口径的能力差距（SWE-V 95 vs 93）只有 2 分——低价模型的性价比故事在加权计算中天然占优，这正是第 06 节敏感性分析存在的意义。
• 缓存经济决定 agent 真实账单：多轮 agent 反复重放同一系统提示，DeepSeek 缓存命中 ¥0.025/M、Kimi $0.30/M、GLM $0.26/M。K3 与 GLM-5.3 账面 2.5 倍价差在缓存主导流量下缩至约 1.15 倍。按"每完成任务成本"而非单价评估。
• 订阅市场已收敛：Claude / Codex / Devin / Factory / Cursor Max 全部锚定 $20/$100/$200 三档；国产以 5–10 倍价差打兼容平替——Kimi 国内 ¥39/月起、GLM Coding Plan 天猫 ¥118/月（2026.09 入驻，适配 Claude Code / Codex / ZCode 等 20+ Agent）。
• 促销价风险要提前对冲：GPT-5.6 Sol 促销至 2026.11.21，Gemini 3.7/3.6 Flash 入门价至 2026.12.31，到期后预算跳升 50–100%。长期合同按列表价做压力测试。

5.5 生态与工程化：协议解绑与"按云选模型"两大格局

• Anthropic 协议成为事实标准：GLM、Kimi、Qwen 全部提供 Anthropic 兼容端点（Z.ai /api/anthropic 两个环境变量即可让 Claude Code 直连 GLM-5.3），框架与模型解绑是本周期最大的结构性变化。
• Claude Code 是口碑与协议双料霸主：Stack Overflow 2026「最爱工具」46%（Cursor 19%、Copilot 9%）；JetBrains 职场采用调查与 Cursor 并列第一（18%）；OpenRouter 端日耗 289B tokens 居第 4；初创公司（<50 人）渗透率约 75%。
• Codex CLI 是最开放的一线框架：Apache-2.0 开源（Rust，62K+ stars），社区共识是 DevOps/CI 强项、token 效率比 Claude Code 高 2–4 倍。
• Gemini CLI 经历动荡：106K stars（Apache-2.0）但 2026.06.18 关闭个人免费/Pro/Ultra 托管通道，个人用户被导向闭源后继 Antigravity CLI，企业 Code Assist 授权保留——生态分显著下调。
• OpenHands 是中立多模型的默认解：MIT 许可、84.5K+ stars、490+ 贡献者，可直连 OpenRouter/Ollama，且已转型支持把 Claude Code / Codex / ZCode 收进统一治理控制台——大团队做框架治理的务实选择。
• 企业按云选模型：Bedrock 上 Claude 超 10 万企业客户（AWS 追加十年千亿美元级 Anthropic 承诺）、Vertex 以 Gemini 长上下文 + BigQuery 拉新、Azure 承接 GPT——87% 大企业多平台并用，合规与云存量决定选型的权重不亚于模型本身。
• 流量与口碑倒挂：OpenRouter 8 月周榜 token 前 10 被廉价 MoE 主导（DeepSeek V4 Flash 12.3T、GLM 5.3 Flash 6.2T；厂商份额 DeepSeek 27.1%、Google 25.3%、OpenAI 16.9%）——token 量反映的是"多少任务在跑"，不是"质量偏好"。

排名解读

• 冠军不是碾压式胜利：Claude Code + Opus 5（86.0）领先第二名 1.7 分——在"差距 < 3 分无显著差异"的口径下，前四名应视为同一梯队，真正的差异在维度结构上：Opus 5 组合靠质量与生态，GLM-5.3 组合靠成本与协议兼容。
• 同一模型、不同框架的分差清晰可见：Kimi K3 挂 Claude Code（81.4）比挂 Kimi CLI（78.5）高 2.9 分——差距全部来自 harness 成熟度与生态，这就是"组合是选型单位"的量化证据。
• Gemini 3.1 Pro 组合排名垫底不是模型问题：模型本身 AA 57.2 / SWE-V 80.6 属第一梯队，拖分项是 Gemini CLI 个人通道关闭后的生态动荡（70 分）与相对偏高的单任务成本。

敏感性分析：换权重，排名怎么变

单一总分容易被权重设计操纵——诚实的方式是把不同权重方案的结果都摆出来。以下对头部 8 个组合测试三种权重方案：

• 质量优先：排名变为 Opus 5 > Fable 5 > GPT-5.6 Sol > GLM-5.3 > Kimi K3——闭源旗舰包揽前二，"一分钱一分货"回归。
• 成本优先：DeepSeek V4 Pro（82.3）、Luna（81.4）、GLM-5.3（80.1）占据前三——这就是为什么廉价 MoE 主导了 OpenRouter 流量榜。
• 稳健结论：Claude Code + GLM-5.3 是唯一在三种方案下都保持前四的组合——如果你的需求结构不明确，它是风险最小的默认选择（但需对冲第 09 节的供给风险）。

8.1 按人群与企业规模

8.2 按行业（以合规约束为第一变量）

8.3 按应用领域（决策矩阵）

三个核心判断

• 判断一：组合是选型单位，协议解绑是结构性趋势。Anthropic 协议成为事实标准后，"框架 × 模型"的笛卡尔积首次全部可组合——这既是选择自由，也是治理复杂度。任何 2026 年的采购决策都应包含"换脑成本"评估：框架层保留可替换性（OpenHands / 兼容端点），模型层按任务路由。
• 判断二：闭源守质量顶点，开源已进前沿带。AA 指数前 7 席仍是 Anthropic、SWE-Pro 前三仍是 Claude 系；但 Kimi K3（编码盲测榜登顶）、Qwen 3.8（OSWorld 第一）、DeepSeek V4 Pro（SWE-V 独立测开源最高 96.4%）意味着"开源不可用于生产"的旧假设已失效。开源的真实短板在 Agentic 独立口径（DeepSeek 54.7）与生态成熟度，而非编码能力。
• 判断三：成本带被重塑，$0.02/任务成为新地板。当 Luna 与 DeepSeek V4 Flash 把单任务成本压到 $0.02 级，"贵的模型一次做对 vs 便宜的模型多次重试"的经济边界需要按任务重算——这正是本报告把成本权重定为 15% 而非更高的原因：便宜本身不是优势，便宜且独立口径可靠才是。

下一观察周期（2026 Q4）跟踪信号

• GLM-5.3 开放权重与否——决定"自部署路线"是否有新旗舰（当前只有 GLM-5.2 可下载）。
• GPT-5.6 Sol 促销到期（2026.11.21）后的 OpenAI 定价策略——$4/$20 若转正，将直接改写成本维度的格局。
• Terminal-Bench 3.0 与 τ³ banking_knowledge 域的进度——长时程与知识密集任务的天花板在哪里。
• AA 智能指数中国厂商份额，与 OpenRouter 流量份额的收敛/发散——"用便宜的、夸贵的"格局是否会被打破。
• Gemini 3.5 Pro 是否发布、Antigravity CLI 能否修复 Gemini 生态分。