Hermes Agent 官方推出了 Agent 性能排行榜 Hermes Index。这不是传统的推理 benchmark，而是模型在真实 Agent 环境中的成绩单——包含预置工作空间、真实文件、多轮对话和安全测试。数据来自 portal.nousresearch.com/bench，评测日期为 2026-10-09。

排行榜：14 个模型

Hermes Index 是四个测试套件的平均分，所有评测采用 PASS@1，reasoning effort 设为 high。

四个评测套件

Hermes Bench 是核心套件：150 个任务包含 87 个技能、43 个研究、21 个视觉创意、5 个记忆、5 个工具使用、1 个安全。评分采用 64 个自动评测、77 个混合评测（自动+LLM 裁判）、8 个视觉裁判。涉及 88 个预置工作空间、293 个工作空间文件、24 个多轮对话任务。

成本差 200 倍

最便宜的 LING 3.0 Flash 每任务 $0.054，最贵的 GPT 6 Astra 每任务 $11.61，差距达 215 倍。

Pareto 最优线

Pareto 最优线上的模型，意味着比它便宜的所有模型分数都更低。6 个模型在最优线上：

GPT 6 Astra 不在 Pareto 线上——它比 Claude Opus 5.5 贵两倍多但分数更低。Grok 4.7 以 $10.77 只拿到 39.32 分，性价比不佳。

值得注意的数据点

• TerminalBench Science 几乎全军覆没：14 个模型中只有 GPT 6 Astra（57.1）和 Claude Opus 5.5（52.9）超过 50 分，其余 12 个全部低于 40 分，Grok 4.7、GLM 5.3、HY4 仅 1.4 分
• Grok 4.7 的矛盾：Hermes Bench 74.38 排第 2，但 TB 4 仅 12.7、TB SCI 仅 1.4，被两个弱项拖到总分 39.32
• GLM 5.3 vs Kimi K3：分数仅差 0.07（39.23 vs 39.16），但 GLM 5.3 每任务 $3.78 比 Kimi K3 的 $6.50 便宜 42%
• GPT 6 家族内差距：Astra 56.25 排第 2，Luna 33.89 排第 12，相差 22 分
• DeepSeek V4.1 Flash 性价比最高：每任务 $0.259，排名 36.91 分，成本不到 Claude Opus 5.5 的 1/19