OpenDS基准揭示顶尖模型深度搜索瓶颈

研究团队在《Deep Search in Real-World Web Environments》论文中提出OpenDS任务范式，并构建面向真实开放网络环境的评测基准OpenDS-World。该基准旨在测试模型在真实互联网中自主搜索多源信息的能力。 评测结果显示，表现最佳的GPT-6 Astra模型准确率仅为39%。此外，大部分模型在失败调用上消耗了超过40%的执行时间。 这一结果揭示了当前AI 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，反映出真实场景下深度搜索任务的高难度。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。