本文提出DailyReport,一个开放基准,用于评估搜索代理在日常搜索任务上的能力,包含150个任务和3546个级联评分标准,通过用户为中心的级联评估管道量化性能,发现现有系统仍达不到用户期望。
机构:中科大
来源:arXiv 2606.12871 | AI4Papers 论文推荐平台