OfficeQA · Pro 133-question subset · 测试定义与成绩

OfficeQA · Pro 133-question subset 收录 10 次模型发布的评测披露或成绩。

测试版本与指标

别名 OfficeQA Pro

  • Exact-match accuracy · % · 越高越好

各系列最新模型 · 公布成绩

常规展示范围。排名按指标与评测协议分组,已记录的工具、预算及框架分别展示。条件未说明的组保留公布值供查证。

Exact-match accuracy %

工具条件未记录 / max / 框架未记录 · OfficeQA Pro 133-question subset;agentic evaluation;max effort;五次运行平均。

OfficeQA · Pro 133-question subset · Exact-match accuracy · 工具条件未记录 / max / 框架未记录 · OfficeQA Pro 133-question subset;agentic evaluation;max effort;五次运行平均。
模型与配置成绩(%)记录与证据
Claude Fable 5.2Max72.9%

工具条件未记录 / max / 框架未记录 · OfficeQA Pro; 133-question subset; agentic evaluation with source documents preselected as extracted text; mean of five runs.

OfficeQA · Pro 133-question subset · Exact-match accuracy · 工具条件未记录 / max / 框架未记录 · OfficeQA Pro; 133-question subset; agentic evaluation with source documents preselected as extracted text; mean of five runs.
模型与配置成绩(%)记录与证据
Claude Haiku 5.5Max60.3%

工具条件未记录 / max / 框架未记录 · OfficeQA Pro 133-question subset; exact-match accuracy.

OfficeQA · Pro 133-question subset · Exact-match accuracy · 工具条件未记录 / max / 框架未记录 · OfficeQA Pro 133-question subset; exact-match accuracy.
模型与配置成绩(%)记录与证据
Claude Sonnet 5.5Max65.6%

允许工具 / max / 框架未记录 · OfficeQA Pro 133-question subset; max effort; mean over five runs; extracted Treasury Bulletin text in sandbox with code execution.

OfficeQA · Pro 133-question subset · Exact-match accuracy · 允许工具 / max / 框架未记录 · OfficeQA Pro 133-question subset; max effort; mean over five runs; extracted Treasury Bulletin text in sandbox with code execution.
模型与配置成绩(%)记录与证据
Claude Opus 5.5Max67.7%

工具条件未记录 / xhigh / 框架未记录 · 条件未说明

OfficeQA · Pro 133-question subset · Exact-match accuracy · 工具条件未记录 / xhigh / 框架未记录 · 条件未说明
模型与配置成绩(%)记录与证据
GPT-5.5Xhigh54.1%

历史记录 · 10 次发布

  • Claude Fable 5.2本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Haiku 5.5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 5.5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 5.5本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • Claude Fable 5.1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 5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 5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 4.8本次发布有 1 条成绩记录,含 1 条精确值(可含历史记录)
  • GPT-5.5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 2 条成绩记录,含 2 条精确值(可含历史记录)