Muse Glimmer 智能体评测落后，但工具调用与幻觉控制优于同级

ArtificialAnlys · x · 2026-08-11

据 Artificial Analysis 的基准测试，Muse Glimmer 模型在同类竞品中的短板主要集中在智能体评估上：其在 GDPval-AA v2 的得分为 953 Elo，落后于 Qwen3.6 27B (1141)、Gemini 3.5 Flash-Lite (1141) 和 Kimi K2.5 (1004)；在 Terminal-Bench v2.1 上（52%）也不及 Qwen3.6 27B（61%）。

然而，该模型在幻觉控制上表现较好，AA-Omniscience 得分为 82%，优于 Qwen3.6 27B（49%）和 Flash-Lite（34%，越低越好）。此外，在智能体工具调用方面，Muse Glimmer 在 Tau3-Banking 测试中得分达到 24%，明显领先于 Gemini 3.5 Flash-Lite（18%）和 Qwen3.6 27B（17%）。整体表现均优于同等规模的 Gemma 4 31B。