OpenDS-World评测显示最强模型在真实互联网深度搜索中准确率仅39%

研究团队提出OpenDS任务范式并构建OpenDS-World基准，测试12个前沿模型在真实开放网络中自主搜索多源信息的能力。表现最好的GPT-6 Astra准确率仅39%，且大部分模型在失败调用上消耗了超过40%的执行时间，揭示出Agent在长程决策、异构格式处理和失败恢复方面仍存在显著瓶颈。