BrowseComp达到90%后，美团LongCat推出LoHoSearch，前沿模型成绩集体回落至三成出头

过去一年，BrowseComp几乎一直被视为衡量搜索智能体能力的重要标尺。然而，这一基准正在迅速失去区分度：短短10个月，模型成绩便从30%提升至90%左右，测试结果的含金量也随之被不断削弱。7月17日，美团LongCat发布LoHoSearch，试图为搜索智能体设置一道更具挑战性的关卡，让这一领域重新回到持续提升能力的阶段。

LoHoSearch并非由人工直接编写题目，而是基于一个收录762万个实体的维基百科知识图谱自动生成问题。由于题目来源于机器构建的知识结构，这套基准在搜索范围和问题组织复杂度上，突破了人工出题能够稳定控制的难度边界。此前的基准测试主要依赖人类设计问题，复杂程度始终受到人工设计能力限制；LoHoSearch则把出题过程交给知识图谱，进一步拓展了问题难度的上限。

测试结果显示，11个前沿模型中，最高得分仅为34.74%，其后3个模型的成绩集中在15%至16%左右。相比之下，这批顶尖模型目前在BrowseComp上的得分已经达到约90%。两组结果形成了明显反差，也表明LoHoSearch更直接地暴露出搜索智能体在复杂检索任务中的能力短板。

上下文策略带来的提升幅度同样值得关注。在LoHoSearch上，表现最好的上下文策略只能带来6.8个百分点的增益；在BrowseComp中，类似策略则可以提升14个百分点。这说明，单纯依靠提示词和上下文工程弥补模型能力的传统方式，在LoHoSearch所构建的测试环境中效果明显减弱。

目前，LoHoSearch包含544道问题，覆盖11个领域，题目通过树状结构和图结构进行组织，并已对外开源。当BrowseComp的成绩逐渐被推向高位，搜索智能体面临的更大挑战才刚刚显现。凭借更复杂的问题生成方式和较低的模型得分，LoHoSearch或将成为后续评估搜索智能体时难以绕开的测试基准。