BrowseComp：面向浏览 agent 的基准测试

OpenAI 开源了一个包含 1,266 道难题的新基准 BrowseComp，用于衡量 AI agent 定位互联网上难以找到、相互纠缠的信息的能力。测试显示 Deep Research 达到 51.5% 的准确率，远超其他模型，且性能随推理时计算量平滑提升。