Epoch AI · 研究报告（DeepResearch Bench）

如何解读此排行榜

衡量什么： Epoch 收录的 FutureSearch 的 Deep Research Bench 评估从网上查找、综合信息并回答研究问题的能力。需与另一个评估长篇报告质量的同名基准区分。

如何解读分数： 汇总基于各项任务的精确率、召回率、F1、答案是否正确及概率判断误差等计算的 0~1 分数。即使以百分比显示，也不代表全部任务的解决率。

注意事项： 使用检索已存储网页资料的 RetroSearch，以及固定的智能体条件。部分评分包含 AI 辅助判断，因此解读细微差异时需结合评估条件。

本次排名的解读要点

• 最高分为 Claude Opus 4.6 的 55.3%。
• 第 1 名与第 5 名的差距为 2.7%p。
• 前 10 个模型中，Anthropic 的模型有 6 个，数量最多。
• 已有 25 个模型公开了此测试的结果。