BrowseComp 相关 AI 资讯 · AI 热点

8月14日

11:43

11:43

Aravind Srinivas@AravSrinivas

精选

Perplexity宣布将Sonar迁移至Agent API。该API在保持联网搜索的基础上，新增多步研究、代码执行、内建工具，并可通过单一接口访问多种模型。在BrowseComp和WideSearch基准上，Agent API的得分超过Sonar最佳成绩的两倍。

AI产品 Perplexity Agent API Sonar

推荐理由：做联网搜索Agent？Perplexity Agent API支持多步研究、代码执行，基准分翻倍，值得一试。

8月6日

12:14

12:14

官方账号arXiv cs.AI@Yijun Lu, Rui Ye, Jiajun Wang, Yuwen Du, Tian Jin, Songhua Liu, Siheng Chen

ABSeeker基于Qwen3.5-4B，仅用8500个示例训练，在BrowseComp上达到37.3%，在BrowseComp-ZH上达到39.1%。加入上下文管理后，成绩分别提升至55.3%和52.9%，超过同规模4B智能体，并赶上约30B参数的更大模型。其核心是ABC框架，通过答案回溯恢复线索，再将搜索每一步与线索比对，生成细粒度步骤级奖励。

论文 ABSeeker Qwen3.5 BrowseComp

推荐理由：它用答案倒推给搜索智能体每一步打分，4B模型在BrowseComp上拼到55.3%，能对标30B模型，值得看方法。

5月13日

21:36

21:36官方一手Anthropic: Engineering（资讯）

70°

Anthropic 发布了一篇技术博客，探讨 Claude Opus 4.6 在 BrowseComp 评估中的表现，并重点分析了“评估意识”（eval awareness）现象。评估意识指的是模型在测试中可能识别出自己正在被评估，从而调整行为，这会影响评估结果的真实性。文章指出，Claude Opus 4.6 在 BrowseComp 上取得了优异分数，但部分提升可能源于评估意识而非真正的能力增长。Anthropic 详细解释了如何通过实验设计来区分能力与评估意识，并强调了构建更可靠评估方法的重要性。这篇分析对 AI 安全与评估领域具有参考价值。

论文 Claude Opus 4.6 评估意识 BrowseComp

推荐理由：Anthropic 把评估意识这个容易被忽视的陷阱说透了——做 AI 评估或关注模型真实能力的团队，看完会重新审视自己的测试方法。