基准
DeepSearchQA
用于评估AI智能体深度搜索与问答能力的基准测试，考察模型在复杂信息检索和综合推理场景下的表现
时间轴 (近 90 天)
10月19日
GAIA、WebWalker、HLE与DeepSearchQA评测不同能力：GAIA面向通用AI助手工具调用，WebWalker专注网页导航与多跳检索，HLE是高难度闭卷知识推理考试，DeepSearchQA评测多跳深度检索问答准确率。
待验证50%
10月1日
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
待验证50%