DSBench-FullStack
DSBench 数据科学智能体基准在 DeepSeek 发布表中的全栈（FullStack）划分
基本信息
30 秒看懂
DSBench 数据科学智能体基准在 DeepSeek 发布表中拆出的「全栈」划分：基础 DSBench 公开，但该划分的具体题集与口径未公开核实；分数为厂商自报的任务成功率（当前仅存在于发布表图片中，人工读图确认前不可作为已验证数值引用），读分时与公开榜口径分开看。
采用格局：DeepSeek-V4-Pro 正式版发布表（2026-08-13）将 DSBench 拆为 FullStack 与 Hard 两个划分；本实体与既有 dsbench-hard 平行，FullStack 划分语义未公开核实，待页面或论文补全定义后更新
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-08-13
DeepSeek·国内
模态文本
DeepSeek 发布 V4 Pro 正式版，同步上线 APP/网页端/API（API 模型名不变），官方定位为正式版增强了 Agent 能力、在生产环境中的性能表现提升尤为显著。本发布收录的 10 项评测全部为 Agent 向（编码智能体、网络安全、工具调用、数据科学与自动化智能体），官方以单张对比图给出与 GLM-5.2 / Kimi-K3 / Opus-4.8 / Fable 5 的对比，数值以人工读图确认前不计入公开计数。
正式版 GAAgent 能力增强Responses API 原生支持三档思考强度
查看模型变体与证据
GA 快照 0813 图表尚无可读数值
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。