BrowseComp（深度浏览检索基准）

BrowseComp 的设计起点是一个务实的观察：如果题目能被检索框直接解答，它衡量的就不是智能体能力，而是搜索索引的覆盖率。因此 OpenAI 采用了反向的构造流程——标注者先掌握一条已知事实，再围绕它写出一道题，并同时满足两个约束：答案不出现在该问题的搜索结果首页；另一个人无法在十分钟内解决它。

这样做的好处是把「难度」与「冷门」区分开来。题目难在信息之间的纠缠而不是知识的晦涩：解出一道题通常需要先找到若干条互相牵连的线索，逐层缩小范围，最终指向一个可以被验证的短答案。论文把这类问题与编程竞赛作类比——它并未覆盖真实用户查询的全部形态，例如不会考察长答案生成与歧义消解，但能够集中测量一项核心能力的下限：在信息稀少时是否愿意并且能够持续追查，而不是凭合理推测作答。

题库共 1,266 道，全部为文本问题，官方以数据集与判分脚本的形式在 GitHub 的 simple-evals 仓库公开。判分环节刻意做得简单：标准答案是短答案，机器判分只做与参考答案的语义等价判断，因此无需人工评分，也避免了开放式回答中常见的评价分歧。

反过来，这个设计也界定它能测和不能测什么。它能相对干净地测检索持久性与信息整合；它不能测长文写作质量、多轮澄清、以及在需求模糊时的主动提问。使用该基准做产品对比时，把这两类能力分开看是必要的。

与 SWE-bench 这类由社区维护统一榜单的基准不同，BrowseComp 没有官方排行榜，也没有独立的第三方评测机构。公开可见的分数大多来自各实验室的模型卡或发布公告，属于自报口径。多个聚合站点在整理这些数字时都给出了同样的提醒。

更实际的影响因素是测量口径不统一。同一个模型在单智能体配置、多智能体配置、以及启用上下文压缩的配置下会得到不同分数，因为这些差异改变的正是「持续检索」这项能力的实现方式。换句话说，一个 BrowseComp 数字描述的是整套系统——模型加工具加上下文策略——而不只是模型权重。因此，不同来源、不同配置之间的细微差距不宜当作真实能力差距来解读；聚合站点的榜单中通常也会把多智能体外壳的结果单独标注或排除，以保持可比性。

从趋势看，该基准在高分区间已经出现拥挤：据 2026 年中的公开自报数据，头部系统的成绩集中在 85% 以上，领先者接近 90% 上方，彼此差距小于测量噪声。这提示它作为「区分头部」的工具价值在下降，作为「排除不合格方案」的门槛仍然有效。

据论文与官方说明，该基准所测量的核心能力可以归为三项：检索持久性（在多次失败后继续尝试而不是转换话题）、导航创造性（在常规查询路径无效时改换检索角度与信息源）、以及信息整合（把散落在多个页面、彼此依赖的片段收敛到一个可验证答案）。

盲区同样清晰。题目使用单轮提问形式，不考察用户意图不明确时的澄清行为；答案被限定为短文本，不考察研究报告式的组织与表达；题目分布并非真实用户查询分布，因此对日常搜索场景的代表性有限。此外，由于答案便于验证，题目在长期公开后存在被训练数据吸收的风险，这也是各类动态基准试图解决的问题。

围绕原始基准已经衍生出多个版本：面向长上下文的 128k 与 256k 变体、面向多模态的 BrowseComp-VL，以及中文语境的 BrowseComp-ZH。这表明该设计被行业接受为一类可复用的评测范式——把「难找但可验证」作为构造原则，可以横向扩展到不同语言、模态与上下文预算。

在选型或内部评测中使用它时，建议做三件事：固定并公开配置（是否多智能体、是否启用压缩、工具清单与轮次上限），否则数字不可比；同时报告成本，因为持续检索的收益往往以 Token 与延迟为代价；与业务任务集配合，把它当作检索与研究能力的下限门槛，而不是产品能力的整体评分。在信息可能不存在的场景下，智能体能否承认「查不到」，也值得作为独立指标纳入，因为搜索类基准通常只奖励命中。

随着头部系统成绩逼近饱和区间，该基准的定位会逐渐从「区分优劣」转向「验证下限」，同时其衍生版本会继续向语言、模态与上下文预算等维度扩散。更值得关注的变化在评测方法论层面：由于分数与外壳强绑定，能否出现统一描述工具与上下文配置的评测规范，决定了这类基准能否恢复跨实现比较的能力。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。