xbench-DeepSearch

xbench 项目深度搜索专项评测

基本信息

30 秒看懂

xbench 深度搜索专项（专家出题、博士交叉审校），0-100 分计分、按 5 分一档给置信区间，月更榜单并辅以内部闭源集防刷榜；榜首 ChatGPT-5-Pro 79 分，区分度高于 SimpleQA 类简单检索题。

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（收录 3 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-01-31 StepFun / 阶跃星辰·国内

Step 3.5 Flash

参数196B-A11B MoE上下文256K模态文本

发布文将其定位为“快、准、稳”的智能体智能模型（Apache 2.0 开源，196B 总参/约 11B 激活稀疏 MoE，MTP-3，256K 上下文）。16 项评测以智能体搜索、数学与编码为主，亮点为 HMMT 2025 二月场 98.4 与 AIME 2025 97.3。

开源权重高效 MoE智能体搜索MTP-3

查看模型变体与证据

2025.05 83.72025.10 56.3

2025

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

xbench-DeepSearch 71.2

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

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。