SpreadSheetBench-v1Agent

SpreadSheetBench (NeurIPS 2024 Spotlight) 从 912 个真实 Excel 论坛问题构建，评估 LLM 在真实电子表格场景中的操作能力。包含多表格、非标准关系表和丰富非文本元素，使用类似 OJ 平台的多测试用例评估机制，人类与 SOTA 模型间存在显著差距。

#	模型	得分 (%)	厂商	来源
1	MiniMax M3	89.35	MiniMax	MiniMax M3 技术报告
2	Claude Opus 4.6	89.3	Anthropic	Qwen3.7-Plus 技术报告
3	Claude Opus 4.7	88.49	Anthropic	MiniMax M3 技术报告
4	GPT-5.5	88.11	OpenAI	MiniMax M3 技术报告
5	Qwen3.7-Max	87	阿里巴巴	Qwen3.7-Max 技术报告
6	Qwen3.7-Plus	86.3	阿里巴巴	Qwen3.7-Plus 技术报告
7	GLM-5.1	85.2	智谱AI	MiniMax M3 技术报告
8	MiniMax M2.7	84.92	MiniMax	MiniMax M3 技术报告
9	DeepSeek-V4-Pro	84.9	深度求索	MiniMax M3 技术报告
10	Kimi-K2.6	84.5	月之暗面	MiniMax M3 技术报告

SpreadSheetBench (NeurIPS 2024 Spotlight) 从 912 个真实 Excel 论坛问题构建，评估 LLM 在真实电子表格场景中的操作能力。包含多表格、非标准关系表和丰富非文本元素，使用类似 OJ 平台的多测试用例评估机制，人类与 SOTA 模型间存在显著差距。

#	模型	得分 (%)	厂商	来源
1	MiniMax M3	89.35	MiniMax	MiniMax M3 技术报告
2	Claude Opus 4.6	89.3	Anthropic	Qwen3.7-Plus 技术报告
3	Claude Opus 4.7	88.49	Anthropic	MiniMax M3 技术报告
4	GPT-5.5	88.11	OpenAI	MiniMax M3 技术报告
5	Qwen3.7-Max	87	阿里巴巴	Qwen3.7-Max 技术报告
6	Qwen3.7-Plus	86.3	阿里巴巴	Qwen3.7-Plus 技术报告
7	GLM-5.1	85.2	智谱AI	MiniMax M3 技术报告
8	MiniMax M2.7	84.92	MiniMax	MiniMax M3 技术报告
9	DeepSeek-V4-Pro	84.9	深度求索	MiniMax M3 技术报告
10	Kimi-K2.6	84.5	月之暗面	MiniMax M3 技术报告