首页 / 评估大全 / Meta SocialEngineering 内部评测
Meta SocialEngineering 内部评测
Meta Muse Spark 1.1 安全与准备度报告中 Cybersecurity 域的社会工程学内部评测行
基本信息
30 秒看懂
厂商自报内部评测：报告计分卡行只给出数值（Muse Spark 1.1 为 5.1%，同表 GPT-5.5 1.2 / Opus 4.8 7.1 / Gemini 3.1 Pro 13.7），评测定义、题量与分数方向均未随报告行标注——只在同一报告内可比。
采用格局： Meta Muse Spark 1.1 evaluation report Table 1（SocialEngineering 行）
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
2026-07-09
· 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
Meta SocialEngineering 内部评测 5.1%
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