数据商自建榜单（SEAL / APEX / Hemingway / Handshake 三件套 / GBA）

清单

• Mercor：APEX（2025-09，arXiv 2509.25721）、APEX-Agents（arXiv 2601.14242，2026-01-20；480 任务 = 投行/咨询/法律各 160，33 个模拟工作环境，由 256 位专家参与构建，另有 227 位专家参与问卷调研；数据集 CC-BY；最佳模型 Gemini 3 Flash（Thinking=High）Pass@1 24.0%）与开源 Archipelago harness [1]；另有 APEX-SWE（200 任务，开源开发集 50）与 APEX-Accounting（与 Ramp 合作，160 任务/10 个模拟公司，Mercor 站点口径）。
• Surge AI：Hemingway-bench、AdvancedIF（与 Meta Superintelligence Labs 合作，1,600+ 提示）、GDP.pdf（100 条真实提示+PDF，覆盖十个职业领域）、Riemann-bench（25 题，私有，Surge 站点口径）。
• Handshake AI：BankerToolBench（100 个端到端投行任务，arXiv 2604.11304，Apache-2.0，与 McGill 合作，502 位投行人士参与）；ATLAS-Finance 与 VIALS 为其公开 GitHub 仓库，题量（原稿 100 / 161）未能核实 ⚠️。
• Scale AI：SEAL 排行榜（单榜题量原稿“约 1,000”未能核实 ⚠️）；HLE 公开题榜见 HLE（Humanity's Last Exam）；SWE-bench Pro（1,865 题）见 SWE-bench（Verified / Pro）。
• HUD：OSWorld-Verified、SheetBench-50；Mechanize：GBA Eval。

作用与口径

榜单是销售工具，同时展示专家网络出题能力。被 lab system card 引用的有 Scale SEAL、Mercor APEX-Agents、Surge GDP.pdf / Riemann-bench（整理口径，引用来源未逐条复核）。APEX / APEX-Agents 发布年月已按 arXiv 核对；其余各榜发布年月未复核 ⚠️。

来源

1. https://arxiv.org/pdf/2601.14242v3 (2026-10-15)
2. https://arxiv.org/abs/2509.25721 (2026-10-15)