提出EvoBrowseComp,一个通过实时网页遍历自动生成的400个英文和400个中文无污染复杂问题基准,用于评估搜索代理在演化知识上的检索和推理能力,实验表明其难度大,现有模型准确率低于45%,且去除工具后性能大幅下降。
机构:腾讯
来源:arXiv 2606.13120 | AI4Papers 论文推荐平台