BrowseComp-Plus
深度研究能力评估基准，用于测试AI智能体在复杂信息检索与综合分析任务上的表现，是BrowseComp的扩展版本
核心事实
时间轴 (近 90 天)
在每步生成预算匹配的条件下，FOCUS 在 Qwen3.5-9B 规模上于 BrowseComp-Plus 基准比最强基线（GRPO/VinePPO 中较高者）提升 7.2 个百分点，达到 55.4 对 48.2。
Drex for Search 在 BrowseComp-Plus 基准上取得 92.05% 的成绩。
Drex for Search 在 BrowseComp-Plus 上平均仅需 12.6 次搜索调用。
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。
在BrowseComp-Plus上，归因引导的SFT仅用约30%的训练token就匹配了全轮次精确上下文SFT的效果。
在BrowseComp-Plus上，归因引导的PPO比仅使用结果奖励的PPO高出4.1个百分点。
在BrowseComp-Plus基准上，CLM配合Qwen3 27B取得59.4%，比最好的摘要方案高约11%，计算量少约五分之一
全部知识事实 (8)
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%待验证在每步生成预算匹配的条件下，FOCUS 在 Qwen3.5-9B 规模上于 BrowseComp-Plus 基准比最强基线（GRPO/VinePPO 中较高者）提升 7.2 个百分点，达到 55.4 对 48.2。
50%待验证Drex for Search 在 BrowseComp-Plus 基准上取得 92.05% 的成绩。
50%待验证Drex for Search 在 BrowseComp-Plus 上平均仅需 12.6 次搜索调用。
50%待验证在BrowseComp-Plus上，归因引导的SFT仅用约30%的训练token就匹配了全轮次精确上下文SFT的效果。
50%待验证在BrowseComp-Plus上，归因引导的PPO比仅使用结果奖励的PPO高出4.1个百分点。
50%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BrowseComp-Plus基准上，CLM配合Qwen3 27B取得59.4%，比最好的摘要方案高约11%，计算量少约五分之一
50%