FRAMES

谷歌检索增强基准：事实性、检索与推理综合

基本信息

30 秒看懂

谷歌检索增强基准：每题需整合多个维基来源、答案经人工验证，题型跨多约束/数值推理/表格推理/时序推理，准确率越高越好；考察事实性×检索×推理的交叉能力，常被用作联网问答的中间难度锚点。

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。

模型发布采用时间轴

共收录 2 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20

2025

2025-11-06 Moonshot AI / Kimi·国内

Kimi K2 Thinking

上下文256K模态文本

月之暗面将 Kimi K2 Thinking 定位为思考型智能体（thinking agent），通过同时扩展思考 token 与工具调用步数推进测试时扩展前沿，可跨数百步规划、推理、执行与调整，全部评测结果以 INT4 QAT 精度报告。已收录评测覆盖通用推理、数学、智能体检索、编码与终端等领域，HLE 带工具 44.9（Heavy Mode 51.0）、SWE-bench Verified 71.3。

思考型智能体INT4 QAT开源权重工具调用扩展

查看模型变体与证据

w/ tools 87.0

2025-08-21 DeepSeek·国内

DeepSeek-V3.1

上下文128K模态文本

DeepSeek-V3.1 发布文定位为首个混合推理架构模型：同一模型同时服务 deepseek-chat（非思考）与 deepseek-reasoner（思考），主打思考效率提升与 Agent 能力增强。评测分编码代理、搜索代理与思考效率三组：SWE-bench Verified 66、BrowseComp 30、AIME 2025（V3.1-Think）88.4。

开源权重混合推理Agent 增强

查看模型变体与证据

FRAMES 83.7

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

相关评测（同类别）

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。