NUWA 证据记录
DeepSeek V4 Flash 0731
LAB-Bench · 证据记录
原始来源图表与材料
LAB-Bench with figures/tables withheld
原始评测方结果 · 来源顺序
筛选系统
FigQA attempt, figure withheld
0–100%
DeepSeek V4 Flash 0731DeepSeek V4 Flash 0731 · 50.3% · 用结构化问题评测生物研究技能；纯文本或缺失输入子集采用独立协议。 · 见报告特定样本与分母。
50.3%显示 1 / 1 个系统
用结构化问题评测生物研究技能；纯文本或缺失输入子集采用独立协议。
衡量一般科研能力，不是端到端滥用任务或直接伤害概率。 本评估显示报告日期和原始执行方。
评测条件与系统配置
- DeepSeek V4 Flash 0731
- 见报告特定样本与分母。 · LAB-Bench with figures/tables withheld
- modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
| 系统 / 配置 | FigQA attempt, figure withheld | TableQA attempt, table withheld | 发表 / 核验日期 |
|---|---|---|---|
| DeepSeek V4 Flash 0731未注明 Harness | 50.3% | 43.9% | 发表2026-09-11 |
评估出处
Evaluating Kimi K3 for Misalignment Risks → · 外部报告
实际评测: Neo Research · 模型档案 →
方法与范围
用结构化问题评测生物研究技能；纯文本或缺失输入子集采用独立协议。
- 证据类型
- 可复用基准
- 评测对象
- 给定任务配置中的模型或智能体。
- 主观测维度
- Capability · 任务能力
- 证据快照
- 2026-10-29.1
主维度依据所述测量确定；背景风险关联不证明有害部署能力。
来源结论
原文 §1.1.2; Figure 2 报告的测量；转录不等于独立复现实验。
适用限制
衡量一般科研能力，不是端到端滥用任务或直接伤害概率。
衡量一般科研能力，不是端到端滥用任务或直接伤害概率。
相关研究问题
化生放核 / 任务增益 →
该协议明确测量该问题或其使能子能力，结论保留给定条件。
参考文献
- [1] LAB-Bench. 2024-07-14
- [2] GLM-5.2 Risk Evaluation Report. 2026-08-02. v1.1 · revised 26 August 2026 ; Report masthead and stated evaluation methodology
- [3] Evaluating Kimi K3 for Misalignment Risks. 2026-09-11. September 2026 ; §1.1.2; Figure 2