BrowseComp
BrowseComp是一个用于评估AI智能体网络浏览与信息检索能力的基准测试集。它通过设计需要多步骤网络搜索才能解答的复杂问题，衡量模型在真实网络环境中定位、筛选和整合信息的能力。该基准注重问题的客观可验证性，旨在区分具备深度搜索推理能力与仅依赖表层检索的AI系统。
核心事实
时间轴 (近 90 天)
在Qwen3.5-35B-A3B骨干模型上，ClueFlow在BrowseComp基准上达到60.0%准确率。
BrowseComp-Plus是BrowseComp的受控版本，使用固定语料替代实时网页以消除网络波动和页面变动带来的评测噪声。
BrowseComp是由OpenAI提出的长程网页搜索智能体评估基准，题目设计为需要多跳检索和交叉验证的冷门事实性问题。
AREX-2 在深度研究类任务上取得成绩：BrowseComp 84.0、HLE 52.6、GAIA 92.2、DeepSearchQA 93.8
在启用上下文管理下，Iris-mini在BrowseComp、BrowseComp-ZH、DeepSearchQA和HLE分别达到82.2%、84.8%、86.9%和52.3%
Opus 5在BrowseComp搜索测试上得90.8%，与GPT 5.6持平
在BrowseComp智能体搜索基准上模型得分30.8%，与GPT系列基本持平
Claude Opus 5在智能体搜索BrowseComp上得分30.8%，与GPT系列基本持平；工具增强多学科推理64.7%；生物学人类可解问题上高达90.1%
全部知识事实 (9)
BrowseComp是OpenAI提出的代理搜索基准，考察模型在真实网络环境中完成多步信息检索与整合的能力
70%待验证BrowseComp是OpenAI发布的网页浏览与信息检索能力基准测试
60%待验证BrowseComp-Plus是BrowseComp的受控版本，使用固定语料替代实时网页以消除网络波动和页面变动带来的评测噪声。
50%待验证在Qwen3.5-35B-A3B骨干模型上，ClueFlow在BrowseComp基准上达到60.0%准确率。
50%待验证BrowseComp是由OpenAI提出的长程网页搜索智能体评估基准，题目设计为需要多跳检索和交叉验证的冷门事实性问题。
50%待验证AREX-2 在深度研究类任务上取得成绩：BrowseComp 84.0、HLE 52.6、GAIA 92.2、DeepSearchQA 93.8
50%待验证在启用上下文管理下，Iris-mini在BrowseComp、BrowseComp-ZH、DeepSearchQA和HLE分别达到82.2%、84.8%、86.9%和52.3%
50%待验证Opus 5在BrowseComp搜索测试上得90.8%，与GPT 5.6持平
50%待验证Claude Opus 5在智能体搜索BrowseComp上得分30.8%，与GPT系列基本持平；工具增强多学科推理64.7%；生物学人类可解问题上高达90.1%
50%