综合能力

Vals Index

综合金融、编程与法律任务，按行业经济权重衡量 Agent 的工作能力

它测什么

Vals Index 是 Vals AI 汇总真实工作任务表现的综合指数，目前采用 v2 版本。它包含金融、编程和法律三个领域：金融看财报研究与 Excel 财务建模，编程看终端任务、应用开发与代码迁移，法律看检索研究和长流程法律工作。

你可以把它理解成一张有不同科目权重的成绩单：先算出每个领域的平均分，再把三个领域合成总分。金融权重最高，所以两个模型即使编程成绩接近，也可能因为财务研究和建模能力不同而拉开总分。

金融由 Finance Agent v2 和 Excel Modeling Benchmark 组成，编程由 Terminal-Bench 2.1、Vibe Code Bench 和 Code Migration 组成，法律由 Legal Research Bench 和 Harvey’s Legal Agent Benchmark 组成。权重参考对应行业在美国 GDP 中的占比：金融与保险 8.0、信息行业 5.6、法律服务 1.2，合计 14.8；归一化后约为 54.1%、37.8% 和 8.1%。

怎么看分数

分数越高，表示在这组任务和权重下的综合表现越好。计算方式为（8 × 金融平均分 + 5.6 × 编程平均分 + 1.2 × 法律平均分）÷ 14.8。例如三个领域分别得 60、80、40 分，综合指数约为 65.9%。它不是所有任务的简单正确率，也不表示已经能替代相同比例的岗位或创造相同比例的 GDP。收录官方标注 2026 年 9 月 11 日更新的 v2 榜单全部 57 条模型成绩，保留官方公布的推理设置；不同版本的组成与权重会变化，不宜直接比较。Code Migration 在此指数中使用固定子集：50 个 CLI 迁移任务和全部 10 个 COBOL 任务，按 75% / 25% 加权，不能直接拿其完整榜单总分替代。表中保留官方综合分，不用本站其他评测的分数重新拼算；来源中的标准误也不作为 95% 置信区间展示。

来源Vals AI

查看金融分项：Finance Agent v2

模型表现

核对于 2026年9月16日57 条成绩

Vals Index — 模型表现。选择列标题可排序。

Claude Fable 5.1 (max)Anthropic	68.8%¹
Claude Opus 5 (max)Anthropic	67.2%²
GPT-6 Astra (max)OpenAI	66.6%³
Claude Fable 5 (max)Anthropic	66.0%⁴
Muse Spark 1.3 Max (max)Meta	64.5%
GPT-5.6 Sol (max)OpenAI	63.7%
Gemini 3.8 Flash (high)Google	62.3%
Claude Opus 4.8 (max)Anthropic	60.9%
Muse Spark 1.3 (xhigh)Meta	60.3%
GPT-5.6 Luna (max)OpenAI	59.9%⁵
Claude Sonnet 5 (max)Anthropic	59.6%
GPT-5.6 Terra (max)OpenAI	59.6%⁶
Gemini 3.7 Flash (high)Google	59.3%
Grok 4.6 (high)xAI	59.2%
DeepSeek V4.1 Flash (high)DeepSeek	57.9%
Kimi K3Moonshot AI	57.8%
GPT-5.5 (xhigh)OpenAI	57.4%
Muse Spark 1.2 (xhigh)Meta	57.1%
GLM-5.3 (max)Z AI	57.0%
Claude Opus 4.7 (high)Anthropic	56.1%
Gemini 3.6 Flash (high)Google	55.4%
Muse Spark 1.1 (xhigh)Meta	54.8%
DeepSeek V4 Flash 0731 (high)DeepSeek	53.6%
GLM-5.2Z AI	53.1%
Gemini 3.5 Flash (high)Google	53.1%
DeepSeek V4 Pro 0813 (max)DeepSeek	52.4%
Qwen 3.8 MaxAlibaba	51.8%
Grok 4.5 (high)xAI	51.5%
Claude Sonnet 4.6 (max)Anthropic	50.6%
Qwen 3.8 27B (xhigh)Alibaba	48.5%
GLM-5.3 Flash (max)Z AI	47.2%
Qwen 3.7 MaxAlibaba	44.8%
Kimi K2.6Moonshot AI	43.5%
DeepSeek V4 Pro (max)DeepSeek	42.9%
MiniMax-M3MiniMax	42.7%
Gemini 3.1 Pro Preview (02/26) (high)Google	41.9%
MiMo V2.5 ProXiaomi	41.0%
MiMo V2.5Xiaomi	39.9%
GPT 5.4 Mini (xhigh)OpenAI	39.6%
Qwen 3.7 PlusAlibaba	38.6%
Gemini 3.5 Flash Lite (high)Google	36.7%
Inkling (0.99)Thinking Machines	34.1%
GPT 5.4 Nano (high)OpenAI	33.0%
Qwen 3.6 PlusAlibaba	32.0%
Inkling Small (0.99)Thinking Machines	31.9%
Gemini 3 Flash (12/25) (high)Google	29.4%
Nemotron 3 UltraNVIDIA	27.4%
Kimi K2.5Moonshot AI	26.3%
MiniMax-M2.7MiniMax	24.6%
Grok 4.3 (high)xAI	24.3%
Claude Haiku 4.5 (Thinking)Anthropic	22.9%
Ling 3.0 FlashAnt Group	21.7%
Mistral Medium 3.5 (high)Mistral	17.9%
Grok 4.20 (Reasoning)xAI	17.6%
Gemini 3.1 Flash Lite Preview (high)Google	15.5%
Mercury 2.5 (high)Inception	13.0%
Nemotron 3.5 LightningNVIDIA	11.5%