工具
FlowerBench：面向企业真实工作流的 AI 智能体基准
FlowerBench 提出在企业私有环境中评估 AI 智能体的多步骤任务表现，但榜单中模型与日期疑似虚构。
2026.07.06 · 周一约 4 分钟阅读
FlowerBench 是一项针对 AI 智能体在「长链路企业任务」上表现的基准测试，主打评测场景为真实企业内部环境：智能体需访问专有上下文、内部知识库与内部工具，逐步完成多步工作流，对外仅披露聚合后的性能指标。该基准的总人工耗时标注为 6 天 6 小时（按 8 小时工作日计），用于衡量各智能体所替代的人类工作量。
榜单结构与排名方式
FlowerBench 给出综合排名，并同时记录每个智能体的完成时间、消耗 token 数与运行成本。原文榜单前十名如下：
- 第 1：Codex（OpenAI GPT-5.5），得分 0.82
- 第 2：Claude Code（Anthropic Claude Opus 4.8），得分 0.66
- 第 3：Claude Code（Anthropic Claude Opus 4.7），得分 0.56
- 第 4：OpenCode（OpenCode Qwen3.6 Plus），得分 0.49
- 第 5：Gemini-cli（Google Gemini-3.1-Pro-Preview），得分 0.45
- 第 6：Kimi CLI（Moonshot AI Kimi K2.6），得分 0.44
- 第 7：Pi（Earendil Qwen3.6 Plus），得分 0.42
- 第 8：Mini-SWE-Agent（mini-swe-agent Qwen3.6 Plus），得分 0.42
- 第 9：Terminus2（Harbor Nemotron-3 Ultra 550B A55B），得分 0.39
- 第 10：Hermes（NousResearch Qwen3.6 Plus），得分 0.39
榜单中 OpenAI、Anthropic、Google、Moonshot、Qwen、NVIDIA 等主流厂商的智能体框架均有出现，覆盖了编程助手、命令行代理、多模型路由等不同形态。
效率与成本维度
榜单还附带三组散点对比图：得分 vs 成本、得分 vs 完成时间、成本 vs 完成时间。从给出的数字看：
- OpenCode（Qwen3.6 Plus）成本仅 $1.19，token 数约 284 万，是榜单中性价比突出的方案。
- Codex（GPT-5.5）以 $17.12 的成本拿到最高分 0.82，但 token 消耗达 1400 万。
- Claude Opus 4.7 单次任务 token 高达 4010 万，成本 $22.64，但得分仅 0.56。
- Kimi K2.6 单次耗时 156–170 分钟，显著慢于其他模型。
这表明在企业级长链路任务上，得分、成本与时间三者之间存在明显权衡，没有单一最优解。
需注意的可信度问题
需要指出，原文中出现的模型名称——包括 GPT-5.5、Claude Opus 4.8/4.7、Qwen3.6 Plus、Gemini-3.1-Pro-Preview、Kimi K2.6、Nemotron-3 Ultra 550B A55B——目前均无对应的公开发布记录，日期也集中标注在 2026 年 5–6 月这一尚未到来的时段。榜单的具体数字很可能来自虚构或演示性数据，不能直接用于横向比较厂商真实能力。FlowerBench 作为「在私有企业环境中评测智能体」的基准设计思路值得参考，但本文给出的排名结果不应被视作可验证的厂商成绩单。