Metaの新モデルが3つのランキングで首位を獲得、法律エージェントがGrok 4.5を逆転

動察 Beating のモニタリングによると、AI評価機関 Vals AI が Muse Spark 1.1 のスコアを発表した。本モデルは医療文書、税務QA、法律エージェントの3つの評価で1位を獲得し、スコアはそれぞれ88.89%、79.72%、20.00%だった。

税務評価 TaxEval v2 では、Fable 5、Opus 4.8、GPT-5.5 を上回った。この評価には1200問以上の未公開テスト問題が含まれており、回答だけでなく推論プロセスもチェックされる。トップモデル間の差は小さく、上位10位の差は3パーセントポイント未満だった。

法律エージェント評価では、Muse Spark 1.1 が20.00%のスコアを獲得し、Grok 4.5 の12.92%や Fable 5 の11.25%を上回った。テストでは、モデルがドキュメント、テーブル、ファイルツールを使用して実際の法律業務を完了することが求められた。

ウェブアプリケーションプログラミング評価では72.16%のスコアを獲得し、GPT-5.5、Grok 4.5、GPT-5.4 を上回ったが、Fable 5 や複数の Claude モデルには依然として及ばなかった。