OpenAI发布全新BrowseComp基准测试，AI在线搜索能力再升级
2025年4月11日，OpenAI宣布开源了一个全新的基准测试工具——BrowseComp。该工具专为评估AI代理在互联网上查找难以获取信息的能力而设计。测试的目的是模拟AI在复杂信息网络中进行“在线寻宝”的过程，挑战AI代理在面对高难度、需要深入搜索的题目时的表现。测试中包含了1266个极具挑战性的题目，涵盖了影视、科技、历史等多个领域，测试难度显著高于现有的标准测试，如SimpleQA等。这些问题虽然答案较难寻找，但一旦找到，验证过程却相对容易。
OpenAI推出的这个基准测试旨在推动AI技术，特别是AI代理在处理复杂信息时的能力。为了让AI代理能够在互联网上高效地获取难以直接找到的信息，BrowseComp测试强调了信息检索的精准性以及深度。测试设计中的问题虽然各异，但都要求AI代理通过浏览网络、分析信息并做出判断来获得答案。这种类型的挑战远比现有的测试更能考验AI的实际应用能力，也为未来更智能的AI系统发展提供了重要的数据支持和研究基础。
根据AIGC开放社区的消息，BrowseComp的难度相当高，连OpenAI自家的GPT-4o和GPT-4.5模型也仅能取得约0.6%和0.9%的准确率，这表明即使是当前最先进的模型也面临着巨大的挑战。即便是在具备浏览器功能的GPT-4o上，准确率也仅为1.9%。这一数据凸显了AI在面对复杂网络环境时所需的精准度和灵活性。然而，OpenAI最新发布的Agent模型Deep Research在此测试中的表现显著优于其他模型，准确率高达51.5%。这表明，通过不断优化和训练，AI代理在复杂信息环境中的能力得到了显著提升，尤其是在搜索和信息整合方面展现出强大的潜力。
BrowseComp的推出不仅是对AI代理能力的一次重要挑战，也是AI技术发展中的一次重大突破。随着这些基准测试的出现，AI技术将在越来越多的实际应用场景中发挥重要作用，特别是在需要跨领域整合信息、快速获取解决方案的任务中。OpenAI通过这种高难度的测试，不仅推动了AI在处理复杂信息时的创新，还为未来更为智能的AI系统奠定了基础。
