研究者提出长程网页搜索轨迹感知评测框架

Jialiang Liu、Shusheng Li、Wenjun Tan 等研究者提出 LongSearchEval，一个轨迹感知的智能体评测框架，用于评估大语言模型的长程网页搜索能力。该框架结合统一执行协议、来源约束的结果验证与回溯式失败节点定位，称无需人工金标准答案即可核验答案组。 研究者在 100 个任务上评测了 8 个模型家族的 16 个模型，保留 1,600 条真实交互轨迹并自动标记 6,545 个失败节点。人工验证显示答案组标签一致率 94.50%，审计轮次与答案组链接的特征对应精确率 98.11%。

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。