AgentFloor：小型开源模型在工具使用阶梯上能走多远？

本文提出 AgentFloor 基准，旨在探究智能体工作流中哪些部分需大模型，哪些可由小模型胜任。该基准包含 30 个任务，涵盖指令遵循、工具使用及多步协调等六层能力。评估显示，中小尺寸开源模型已足以处理大多数短时程、结构化的工具调用任务，且在综合表现上可媲美 GPT-5，同时成本更低、速度更快。然而，在需要长期规划与持续约束跟踪的任务中，前沿大模型仍具优势。研究建议采用混合架构：常规动作使用小模型，复杂规划保留给大模型。