BrowseComp是一个用于评估AI智能体在真实网页环境中进行信息检索和综合问答能力的基准测试，它要求智能体自主浏览多个网页并提取相关证据来回答问题，被视为检验智能体真实世界交互和长程推理能力的重要标杆。该基准测试的引入，推动了智能体在复杂搜索任务中的性能度量和方法创新。
BrowseComp近期进展
近期围绕BrowseComp的进展主要集中在基准扩展、能力剖析和方法优化三个方面。首先，研究团队推出了K-BrowseComp，这是首个韩语网页浏览智能体基准测试，旨在评估多语言环境下智能体的搜索与推理能力，填补了非英语场景的空白。K-BrowseComp：首个韩语网页浏览智能体基准测试。其次，LiveBrowseComp论文对智能体在搜索过程中的行为进行了深入分析，质疑其是在真正搜索还是仅仅验证已知信息，揭示了当前模型可能存在的记忆捷径问题。LiveBrowseComp：搜索智能体是在搜索，还是验证已知信息？。此外，Argus系统提出了一种证据组装式深度研究策略，通过并行搜索和证据链构建，在类似BrowseComp的任务上实现了12.7%的效率提升，展示了结构化搜索范式的潜力。Argus：证据组装式深度研究智能体，并行搜索效率提升12.7%。
当前焦点与观察点
当前关于BrowseComp的讨论集中在几个核心问题上：一是如何避免智能体依赖已知记忆而非真实浏览，LiveBrowseComp的实验直接挑战了现有评估的有效性；二是基准测试的语言覆盖范围正快速扩展，韩语版本的推出意味着对多语言泛化能力的更高要求；三是方法层面，从简单搜索到证据组装、委托智能等结构化策略的演进，表明在长程任务中单纯依赖大模型解码不足以达到最优。此外，部分最新模型（如Claude Sonnet 5）虽未直接报告BrowseComp成绩，但宣称在智能体能力上取得突破，暗示该基准可能成为下一轮模型比较的重要舞台。总体而言，BrowseComp正从单一能力测试演变为驱动智能体研究转向“真实浏览+推理”范式的催化剂，其设计本身也在被不断反思和迭代。