> ## Documentation Index
> Fetch the complete documentation index at: https://docs.driven.ai/llms.txt
> Use this file to discover all available pages before exploring further.

> ## Agent Instructions
> This documentation is available in English and Simplified Chinese. English pages use root paths; Chinese counterparts use the same path under /zh/.
> For a Chinese-language query, retrieve the corresponding /zh/ page when available. Preserve its data, account, permission, and execution limitations when answering.

# DrivenBench：投资 Agent 模型评测

> 了解 DrivenBench 如何评估投资 Agent 的模型表现，以及如何解读能力得分、成本、延迟和回归检查。

**DrivenBench** 是 Driven 面向投资 Agent 工作流的 AI 模型评测。它衡量模型在 Driven 环境中处理金融数据、使用工具、开展研究和完成任务的表现，帮助你比较能力、成本与等待时间。

打开 [DrivenBench 榜单](https://driven.ai/zh-hans/drivenbench)查看交互图表与模型详情。本页说明评分口径和阅读方法，模型排名以官网所展示的版本为准。

## 评测覆盖什么

| 能力范围 | 关注的表现 |
| - | - |
| 数据与计算 | 数值推理、金融数据工具调用、程序化分析，以及数据缺失时的处理 |
| 研究与证据 | 外部研究、引用与证据、委派结果的核对与整合 |
| 文件与执行 | Bash 执行、文件生成、长文档读取与大型表格处理 |
| 持续工作流 | 定时任务、交易与账户处理、记忆与会话、技能与路由 |

另有回归检查，用于发现引用丢失、覆盖率报告不实或任务操作破坏数据等失败模式。这些检查与能力得分分别披露。

## 当前公开版本的口径

官网当前公开快照为 **1.0**，发布于 **2026 年 8 月 25 日**，报告日期为 **2026 年 8 月 15 日**：

* 评测 **11 个模型**。
* **55 项能力评估**，每项对每个模型运行 **3 次**，共 **165 次能力运行／模型**。
* **19 项回归检查**单独报告，**不计入能力得分与默认排名**。
* 能力得分为各项能力评估通过率的等权重平均值，得分相同则并列排名。

例如，能力通过数为 `155 / 165` 时，得分约为 `93.9%`。这表示该测试集中的通过表现，不表示每个真实任务都有相同成功概率。

## 如何读榜单

| 指标 | 含义 | 阅读时注意 |
| - | - | - |
| **能力得分** | 能力评估的通过表现 | 默认排名依据；继续看与你的任务相关的维度 |
| **能力通过数** | 通过运行数／能力运行总数 | 当前快照每个模型的分母为 165，不包括回归检查 |
| **成本上限** | 按发布时标注价格计算，完整能力测试集运行三次的总成本上限 | 不含缓存折扣；不是单次提问价格、套餐价格或当前任务的账单 |
| **延迟中位数 / p90** | 记录的评估运行耗时的中位数与 90 分位数 | 反映典型耗时与较慢运行；不是响应时间承诺 |

各模型运行批次不同，服务商负载也有波动，因此延迟只作方向性参考。定价基础和模型版本也可能变化，请阅读榜单说明。

### 图表与模型详情

图表横轴是**基准测试总成本上限**，使用对数坐标；纵轴是**能力得分**。在这两个指标下，越靠左成本越低，越靠上得分越高。

实线表示观测到的**帕累托前沿**：在这份样本中，没有其他模型同时得分更高或相同、且成本更低，并在其中一项严格更优。它只比较图中的能力和成本，不纳入延迟、具体任务需求或账户权限。

选择图表中的模型点，或展开排行榜的**详情**，查看维度表现和已披露的回归问题。手机布局还可以切换**能力**、**成本**与**延迟**排序；桌面表格直接展示这些指标。

## 用它辅助选择模型

1. 明确任务：研究、计算、文件处理还是定时工作流。
2. 查看相关维度和回归问题，而不只看总分。
3. 结合成本和中位数／p90，选择符合你等待时间与用量要求的候选。
4. 在 Driven 中用自己的代表性任务检查结果，核对数据、引用和工具执行。

被评测不代表当前账户可以选择该模型。模型权限取决于[套餐](https://docs.driven.ai/zh/get-started/plans-and-pricing.md)、地区和当前可用版本。基准成本也不能直接换算成你的套餐用量。

> [!NOTE]
>
> 结果反映指定版本、任务集与测试条件。总分较高不能消除引用、数据或执行错误；回归检查通过也不代表所有真实场景都安全。评测不衡量投资收益，不构成投资建议。

## 查看公开数据

* [交互榜单](https://driven.ai/zh-hans/drivenbench)
* [完整 JSON 数据](https://driven.ai/drivenbench/data.json) —— 方法、模型结果、维度结果与披露的回归事件
* [文本版评测说明](https://driven.ai/drivenbench/llms.txt)
* [为什么需要 DrivenBench](https://driven.ai/whats-new/blog/most-expensive-ai-model-isnt-always-the-best)

引用结果时，请注明公开版本、模型名称与版本、指标口径，以及报告或测试日期，避免把旧快照当作实时排名。


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.