Share your thoughts, 1 month free Claude Pro on usSee more

Property Classification on Biology tasks

0.72Solubility Accuracy

SciReasoner

Updated 17d ago

Evaluation Results

Method	Links
SciReasoner 2026.07		0.72	0.53	0.73	0.71	0.28	0.81	0.18	0.64	0.24	0.89	0.93	0.55	0.68	0.68	0.67	0.52	0.54	0.73	0.51	0.55	0.9	0.51	0.49	0.88	0.78	0.83	0.74	0.52	0.58	0.66
Opus-4.7 2026.07		0.58	0.43	0.06	0.16	0.08	-0.44	-0.02	0.28	0.07	0.3	0.23	0.3	0.35	0.34	0.4	0.21	0.42	0.7	0.43	0.42	0.21	0.52	0	0.48	0.09	0.58	0.74	0.43	0.33	0.47
DeepSeek-V4-Pro 2026.07		0.58	0.34	0.01	0	0.06	-0.38	-0.13	0.04	0	-0.07	0.13	0.22	-0.13	-0.14	0.02	-0.02	0.48	0.55	0.14	0.15	0.12	0.53	0	0.13	0.13	0.08	0.6	0.31	0.35	0.4
GPT-5.5 2026.07		0.54	0.44	0.12	0.12	0.12	-0.13	0.12	0.22	-0.03	-0.1	-0.08	0	0.05	0.21	0.09	0.22	0.56	0.82	0.1	0.06	0.24	0.55	0	0.65	0.12	0.36	0.7	0.29	0.4	0.24
Kimi-K2.6 2026.07		0.53	0.23	0	0	0.02	0.05	-0.04	0.06	0	0.23	-0.04	0.05	0.02	0.05	0.06	0.14	0.48	0.5	0.14	0.24	0.16	0.52	0	0.11	0.15	0.03	0.43	0.27	0.28	0.16