List your company

Agentic Task Success on MCP-Universe

70.8Financial Success ScorePREPING
7.56823.98440.456.816Feb 10, 2026Mar 2, 2026Mar 23, 2026Apr 13, 2026May 4, 2026May 25, 2026Jun 15, 2026

Evaluation results

MethodLinks
PREPINGMethod Category=Pre-Task Methods, Base LLM=DeepSeek-V3.22026.0570.8—32.3——37.510.136.8—
SINGSetting=Restricted2026.067028.65050—47.132.142.169.5
ACE-OnlineMethod Category=Task-Informed Methods, Base LLM=DeepSeek-V3.22026.0569.2—37.5——41.214.143.9—
Direct MemoryMethod Category=Pre-Task Methods, Base LLM=DeepSeek-V3.22026.0567.5—30.2——32.87.126.3—
SINGSetting=Global2026.066531.452.946—45.126.4—72.7
GPT-OSSSFT=evaluated without SFT2026.0662.525.71—26—32.1314.28——
HyperToolBackbone=Qwen3-8B, SFT=fine-tuned on HyperTool trajectory data2026.0662.528.57—18—33.3325——
HyperToolBackbone=Qwen3-32B, SFT=fine-tuned on HyperTool trajectory data2026.0662.534.29—22—35.2921.43——
MCP-ZeroSetting=Global2026.0662.528.635.322—352536.846.7
Guided ExplorationMethod Category=Pre-Task Methods, Base LLM=DeepSeek-V3.22026.0561.7—31.3——34.612.133.3—
Random ExplorationMethod Category=Pre-Task Methods, Base LLM=DeepSeek-V3.22026.0560.8—38.5——33.110.122.8—
Ground Truth ServerSetting=Default2026.066031.438.242—40.317.947.463
MCP-ZeroSetting=Restricted2026.066022.941.244—3928.657.951.2
BaseMethod Category=Pre-Task Methods, Base LLM=DeepSeek-V3.22026.0559.2—31.3——32.18.129.8—
DeepSeek-V4-FlashSFT=evaluated without SFT2026.0657.529.41—45.83—4439.29——
GLM-5.1SFT=evaluated without SFT2026.065528.57—36—36.642.86——
AgentFoldBackbone=Qwen3-32B, SFT=evaluated without SFT2026.0652.414.3—16—27.1326.94——
Kimi-k2.5SFT=evaluated without SFT2026.0651.2817.14—25—34.1744.44——
CodeActBackbone=Qwen3-32B, SFT=evaluated without SFT2026.0642.514.29—20—25.4925——
ReCodeBackbone=Qwen3-32B, SFT=evaluated without SFT2026.064011.43—6—19.625——
ReActBackbone=Qwen3-32B, SFT=fine-tuned on HyperTool trajectory data2026.064020—16—24.1821.43——
BrowseMasterBackbone=Qwen3-32B, SFT=evaluated without SFT2026.0637.517.14—10—20.9121.43——
AWMModel Size=8B2026.02358.578.820511.17———
BaseBackbone=Qwen3-32B, SFT=evaluated without SFT2026.063520—4—15.693.57——
AWMModel Size=14B2026.0232.58.5711.774012.29———
ReActBackbone=Qwen3-8B, SFT=fine-tuned on HyperTool trajectory data2026.0632.525.71—16—20.927.14——
SimulatorModel Size=14B2026.02302.868.826010.62———
AgentFoldBackbone=Qwen3-8B, SFT=evaluated without SFT2026.0627.7825.71—16—21.6317.81——
BaseModel Size=14B2026.0227.505.88258.38———
BaseModel Size=4B2026.02252.860006.15———
Gemini-2.5-FlashSFT=evaluated without SFT2026.062530.77—19.51—25.5830.77——
ReCodeBackbone=Qwen3-8B, SFT=evaluated without SFT2026.062514.29—10—15.0310.71——
AWMModel Size=4B2026.0222.502.94256.7———
BaseModel Size=8B2026.0222.505.88206.7———
BrowseMasterBackbone=Qwen3-8B, SFT=evaluated without SFT2026.0621.511.43—4—18.614.29——
CodeActBackbone=Qwen3-8B, SFT=evaluated without SFT2026.062022.86—22—20.9214.29——
EnvScalerModel Size=4B2026.0217.502.94004.47———
EnvScalerModel Size=8B2026.0217.505.88205.59———
BaseBackbone=Qwen3-8B, SFT=evaluated without SFT2026.0617.1417.14—4—9.933.57——
SimulatorModel Size=4B2026.021505.88206.15———
SimulatorModel Size=8B2026.02105.718.82406.15———