Meta mô hình mới giành ba vị trí đầu bảng, Legal Agent vượt qua Grok 4.5

Theo dữ liệu từ Beating, tổ chức đánh giá AI Vals AI đã công bố kết quả của Muse Spark 1.1. Mô hình này đứng đầu trong ba bài đánh giá: tài liệu y tế, trả lời câu hỏi thuế và Agent pháp lý, với điểm số lần lượt là 88,89%, 79,72% và 20,00%.

Trong bài đánh giá thuế TaxEval v2, nó vượt qua Fable 5, Opus 4.8 và GPT-5.5. Bài đánh giá này bao gồm hơn 1200 câu hỏi kiểm tra chưa được công bố, vừa kiểm tra câu trả lời vừa kiểm tra quy trình suy luận. Khoảng cách giữa các mô hình hàng đầu khá nhỏ, mười mô hình đứng đầu chỉ chênh lệch chưa đến 3 điểm phần trăm.

Trong bài đánh giá Agent pháp lý, Muse Spark 1.1 đạt 20,00%, vượt qua Grok 4.5 với 12,92% và Fable 5 với 11,25%. Bài kiểm tra yêu cầu mô hình sử dụng các công cụ tài liệu, bảng tính và tệp để hoàn thành công việc pháp lý thực tế.

Trong bài đánh giá lập trình ứng dụng web, nó đạt 72,16%, vượt qua GPT-5.5, Grok 4.5 và GPT-5.4, nhưng vẫn thua kém Fable 5 và một số mô hình Claude.