首页 / 评估大全 / SeqQA
SeqQA
LAB-Bench 系列的 DNA/蛋白质序列理解子集：解读与操纵核酸/蛋白序列信息
基本信息
30 秒看懂
考的是『读序列』这种极窄但不可造假的技能——不能靠检索网页答案，只能靠推理。厂商报告常以 agentic 方式跑（Muse Spark 1.1 Table 1：1.1 98.2 / 1.0 97.3 / GPT-5.5 98.2 / Gemini 3.1 Pro 95.4）。
采用格局： Muse Spark 1.1 评测报告 Chemical & Biological 组出现（98.2%，agentic 口径）
评分协议
多选准确率；Muse Spark 1.1 报告以 agentic 方式评测（Table 1）
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
2026-07-09
· 国际
上下文 1M 模态 文本·图像
Meta 将 Muse Spark 1.1 定位为可主动管理自身 1M token 上下文窗口的智能体基础模型，随发布同步上线 Meta Model API 公测，并已在 Meta AI 应用与 meta.ai 的 Thinking 模式可用。已收录评测覆盖智能体编码与工具调用、计算机操作、网络安全及生物/化学安全评估等领域，Terminal-Bench 2.1 80.0%、OSWorld Verified 80.8%。
智能体基础 1M 上下文 公测 API 安全评估覆盖
查看模型变体与证据
agentic 98.2%
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。
Meta / Llama·国际