# BrowseComp – OpenAI 开源的 AI Agent 网络浏览能力基准

- Link: https://paooo.com/aigc-news/20411/
- Published: 2026-06-08T10:21:54+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 1266 道跨电影、科学、体育等领域难题，专测 AI [Agent](https://paooo.com/trends/)
   的复杂网络浏览与多步推理能力。
 * GPT-4o、GPT-4.5 准确率极低，Deep Research 以 51.5% 领先，说明浏览工具+推理策略
   缺一不可。
 * BrowseComp 适合评估企业检索、导购、政务公开等场景，推动更可靠的智能搜索代理发展。

## BrowseComp是什么

BrowseComp 是 [OpenAI](https://paooo.com/tag/openai/) 开源的用于评估 AI Agent网络
浏览能力的基准测试。包含 1266 个极具挑战性的问题，覆盖电影、科学与技术、艺术、历史、
体育、音乐、电子游戏等多个领域。需要 AI Agent在互联网上搜索并匹配复杂约束条件，例如
找出特定的足球比赛或电视剧角色等。在测试中，OpenAI 的 GPT-4o 和 GPT-4.5 准确率极
低，最新发布的 Agent 模型 Deep Research 准确率高达 51.5%，显示出在自主搜索、信息
整合和准确性校准方面的优势。

阅读目录

 * [BrowseComp是什么](https://paooo.com/aigc-news/20411/#browsecomp%e6%98%af%e4%bb%80%e4%b9%88)
 * [BrowseComp的主要功能](https://paooo.com/aigc-news/20411/#browsecomp%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [BrowseComp的技术原理](https://paooo.com/aigc-news/20411/#browsecomp%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [BrowseComp的模型性能](https://paooo.com/aigc-news/20411/#browsecomp%e7%9a%84%e6%a8%a1%e5%9e%8b%e6%80%a7%e8%83%bd)
 * [BrowseComp的项目地址](https://paooo.com/aigc-news/20411/#browsecomp%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [BrowseComp的应用场景](https://paooo.com/aigc-news/20411/#browsecomp%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![BrowseComp](https://paooo.com/wp-content/uploads/2026/06/BrowseComp-website-1.
avif)

## BrowseComp的主要功能

 * **复杂信息检索能力评估**：BrowseComp 包含 1266 个极具挑战性的问题，覆盖电影、
   科学与技术、艺术、历史、体育、音乐、电子游戏等多个领域。这些问题需要 AI 代理在
   庞大的互联网空间中进行深度搜索，将潜在答案与问题中提出的复杂约束条件相匹配。
 * **问题设计严格把控难度**：为了确保问题的高难度，数据师们通过三个主要检查点来严格
   把控：验证现有的模型（如 OpenAI 的 GPT-4o、GPT-4.5 和早期版本的 Deep Research）
   无法解决这些问题；进行五次简单的谷歌搜索，保证答案不会出现在搜索结果的第一页上；
   确保这些问题足够困难，以至于另一个数据师在十分钟内无法解决。
 * **答案验证的可靠性**：尽管问题难度高，但答案是简短且明确的，易于通过参考答案进行
   验证。这种设计使基准测试既具有挑战性，又不失公平性。
 * **推动 AI 浏览代理技术发展**：BrowseComp 的开源为 AI 浏览代理的研究提供了新的
   工具和方向，推动了更智能、更可靠的浏览代理的发展。

## BrowseComp的技术原理

 * **复杂问题设计**：BrowseComp 包含 1266 个极具挑战性的问题，这些问题需要 AI 代理
   在互联网上进行多步推理和跨多个网站的信息检索。问题的设计目标是模拟现实世界中复杂
   的信息检索场景，要求 AI 代理能够处理难以获取且相互关联的信息。
 * **多源信息整合**：AI 代理需要访问多个网站，整合不同来源的信息，才能找到问题的
   答案。例如，一个典型的问题可能需要代理访问体育赛事记录、裁判信息等多个网站，才能
   得出正确答案。
 * **推理与搜索策略**：除了简单的信息检索，AI 代理还需要具备强大的推理能力，能根据
   检索到的信息进行逻辑分析和综合处理。例如，Deep Research 模型在 BrowseComp 中表现
   优异，因为能自主调整搜索策略，根据检索结果动态优化搜索路径。
 * **动态适应性**：AI 代理需要具备动态适应性，能根据搜索过程中遇到的各种信息，快速
   做出反应并调整搜索策略。适应性使代理能在复杂的网络环境中更有效地找到目标信息。
 * **计算资源的影响**：测试结果表明，增加计算资源可以显著提升 AI 代理在复杂网络浏览
   任务中的表现。更多的计算资源允许代理尝试更多的搜索路径，提高找到正确答案的概率。

## BrowseComp的模型性能

 * **GPT-4o 和 GPT-4.5**：两个模型在 BrowseComp 上的表现较差，准确率分别为 0.6% 
   和 0.9%。即使为 GPT-4o 启用浏览功能后，准确率也仅从 0.6% 提升到 1.9%。表明单纯
   赋予模型浏览能力，不能有效解决 BrowseComp 中的复杂问题。
 * **OpenAI o1 模型**：不具备浏览能力，但凭借较强的推理能力，准确率达到了 9.9%。
   说明推理能力在网络浏览任务中同样重要，即使无法直接从网络中检索信息，模型也可以
   通过对已有知识的深度推理来找到部分问题的答案。
 * **Deep Research 模型**：是 OpenAI 最新发布的 Agent 模型，在 BrowseComp 测试中
   表现最为出色，准确率高达 51.5%。模型能高效使用浏览工具，能对检索到的信息进行深度
   分析和综合处理。Deep Research 模型具备强大的适应性，能根据搜索过程中获取的各种
   信息迅速做出反应并调整搜索策略。

## BrowseComp的项目地址

 * **项目官网**：[https://openai.com/index/browsecomp/](https://openai.com/index/browsecomp/?utm_source=ai-bot.cn)
 * **Github仓库**：[https://github.com/openai/simple-evals](https://github.com/openai/simple-evals)
 * **技术论文**：[https://cdn.openai.com/pdf/5e10f4ab-d6f7-442e-9508-59515c65e35d/browsecomp.pdf](https://cdn.openai.com/pdf/5e10f4ab-d6f7-442e-9508-59515c65e35d/browsecomp.pdf)

## BrowseComp的应用场景

 * **企业知识库智能检索**：可用于企业知识库的智能检索，如将大量研究文档转化为智能
   问答系统，提升了研发人员的信息查询效率。
 * **电商产品导购**：在电商领域，可用于构建智能导购系统，帮助用户快速找到符合复杂
   需求的产品。
 * **政府信息公开服务**：政府机构可以用于提供更高效的信息公开服务，帮助公众快速获取
   所需的政策、法规等信息。
 * **研究与开发**：研究人员可用于测试和改进 AI 模型的推理和搜索策略，推动 AI 技术
   在信息检索领域的进一步发展。

❓ 常见问题解答（FAQ）

BrowseComp 是什么基准？

BrowseComp 是 OpenAI 开源的 AI Agent 网络浏览能力基准，用来评估模型在互联网上进行
复杂信息检索、多步推理和答案匹配的能力，题目覆盖多个领域且难度很高。

BrowseComp 为什么难度这么高？

它通过三重标准控制难度：先验证现有模型难以解决，再确保简单搜索无法直接找到答案，
最后要求另一位数据师在 10 分钟内也难以解出，从而保证题目足够刁钻。

BrowseComp 哪个模型表现最好？

根据文中结果，OpenAI 最新发布的 Deep Research 表现最好，准确率达到 51.5%。相比之下，
GPT-4o 和 GPT-4.5 准确率分别只有 0.6% 和 0.9%。

🔬 语宙深潜追问 · 进阶实操拆解

如何把浏览型Agent做出稳定提升？

重点不是单次回答，而是检索规划、证据筛选和多轮校准。可加入分解式搜索、来源可信度
打分、冲突信息比对，以及每轮都更新假设的状态机，减少“搜到但没整合”的失误。

这类基准对产品落地意味着什么？

说明通用聊天模型不等于可用浏览器代理。落地时要把任务限定在可验证场景，增加引用、
证据链和失败兜底；对外宣称能力也应按任务类型分层，而不是只看单轮准确率。

🗳️ 读者观点微投票 · 您的实战立场是？

浏览基准拉开差距，Agent 关键瓶颈在哪？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[⚡ 所属权威专题：OpenAI GPT 与 Sora 生态 →](https://paooo.com/topics/openai-gpt-sora/)

 * [谷歌重磅开源DeepSearchQA：首个全面评估AI Agent深度研究能力的基准测试工具](https://paooo.com/aigc-news/12768/)
 * [MMSearch – 评估大型多模态AI搜索引擎能力的基准测试工具](https://paooo.com/aigc-news/26499/)
 * [FrontierScience基准测试：OpenAI如何用竞赛级题目精准评估大模型科学推理能力](https://paooo.com/aigc-news/12523/)
 * [GPT‑5.4 – OpenAI推出面向专业工作的旗舰AI模型](https://paooo.com/aigc-news/38527/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/20411/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
