DeepSearchQA · 900 prompts;单代理与多代理按协议区分 · 测试定义与成绩

DeepSearchQA · 900 prompts;单代理与多代理按协议区分 收录 6 次模型发布的评测披露或成绩。

测试版本与指标

别名 DeepSearchQA、DeepSearchQA with multi-agents

  • F1 score · % · 越高越好
  • Accuracy · % · 越高越好

各系列最新模型 · 公布成绩

各命名系列的最新型号在此范围内暂无可展示成绩,已收录的历史资料列在下方。

历史记录 · 6 次发布

  • Claude Opus 5本次发布有 5 条成绩记录,含 5 条精确值(可含历史记录)
  • Claude Opus 4.8本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Opus 4.7本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Sonnet 4.6本次发布有 2 条成绩记录,含 2 条精确值(可含历史记录)
  • Claude Opus 4.6本次发布有 19 条成绩记录,含 19 条精确值(可含历史记录)
  • Claude Opus 4.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)