Dr. Bench
11 models
A Multidimensional Evaluation for Deep Research Agents
Top 5 Models Performance
| Moonshot AI: Kimi K2 Thinking | ######################################## | 67.07 |
| OpenAI: o3 | ##################################### | 61.76 |
| SpaceXAI: Grok 4 | ##################################### | 61.3 |
| OpenAI: o4-mini | ################################## | 56.66 |
| OpenAI: GPT-5 | ################################# | 55.6 |
| Rank | Model | Score | |
|---|---|---|---|
| 🇨🇳 | 1 | Moonshot AI: Kimi K2 Thinking月之暗面 | 67.07 |
| 🇺🇸 | 2 | OpenAI: o3 | 61.76 |
| 🇺🇸 | 3 | SpaceXAI: Grok 4 | 61.3 |
| 🇺🇸 | 4 | OpenAI: o4-mini | 56.66 |
| 🇺🇸 | 5 | OpenAI: GPT-5 | 55.6 |
| 🇺🇸 | 6 | Google: gemini-2.5-pro | 55.06 |
| 🇺🇸 | 7 | OpenAI: gpt-4o | 49.45 |
| 🇺🇸 | 8 | OpenAI: gpt-4.1 | 47.62 |
| 🇺🇸 | 9 | Anthropic: claude-opus-4.1 | 45.59 |
| 🇺🇸 | 10 | Anthropic: claude-sonnet-4 | 44.91 |
| 🇺🇸 | 11 | Anthropic: claude-3.7-sonnet | 39.96 |