你以為大模型已經能輕鬆“上網衝浪”了？
新基準測試集BrowseComp-ZH直接打臉主流AI。
BrowseComp-ZH是一項由港科大（廣州）、北大、浙大、阿里、字節跳動、NIO等機構聯合發佈的新基準測試集，讓20多箇中外主流大模型集體“掛科”：
GPT-4o在測試中準確率僅6.2%；多數國產/國際模型準確率跌破10%；即便是目前表現最好的OpenAI DeepResearch，也僅得42.9%。
目前，BrowseComp-ZH的全部數據已開源發佈。
研究團隊直言：
為什麼我們需要中文網頁能力測試？
如今的大模型越來越擅長“用工具”：能連搜索引擎、能調用插件、能“看網頁”。
但眾多評估工具都只在英文語境下建立，對中文語境、中文搜索引擎、中文平臺生態考慮甚少。
然而，中文互聯網信息碎片化嚴重、搜索入口多樣、語言表達複雜。
中文網頁世界到底有多難？舉幾個例子你就明白了：
信息碎片化，分散在百度百科、微博、地方政府網站、視頻號等多平臺
常見的語言結構中含有省略、典故、代指，關鍵詞檢索常常“跑偏”
搜索引擎本身質量參差，信息“沉底”或“走丟”都是常事
因此，英文測試集“翻譯一下”根本不夠。
需要從中文語境原生設計，才能真正衡量大模型是否能在中文網頁上“看得懂”、“搜得到”、“推得準”。
BrowseComp-ZH是怎麼煉成的？
研究團隊採用了“逆向設計法”：從一個明確、可驗證的事實答案出發（如某個畫種、機構、影視劇名），反向構造出多個約束條件的複雜問題，確保以下三點：
百度/Bing/Google三大搜索引擎首屏無法直接命中答案
多個主流大模型在檢索模式下也無法直接答對
經過人工驗證，問題結構清晰，且僅有唯一答案
最終，他們構建了289道高難度中文多跳檢索題目，覆蓋影視、藝術、醫學、地理、歷史、科技等11大領域。
大模型集體“翻車”？DeepResearch勉強破四成，絕大多數連10%都不到
在BrowseComp-ZH的測試下，多款國內外主流大模型集體“翻車”：
儘管這些模型在對話理解、生成表達方面已展現強大實力，但在面對中文互聯網的複雜檢索任務時，準確率普遍低得驚人：
多數模型準確率低於10%，僅少數能突破20%
OpenAI DeepResearch以42.9%位列第一，仍遠未“及格”
研究者指出，這一結果說明：模型不僅需要會“查資料”，更要會“多跳推理”與“信息整合”，才能在中文互聯網中真正找到答案。
四大發現，揭示中文網頁任務的“模型死角”
1. 僅靠記憶不行，得真本事
純靠參數記憶（無搜索）的模型準確率往往低於10%，說明“硬背”不靠譜。
2. 有推理的模型，表現更好
DeepSeek-R1（23.2%）比DeepSeek-V3（8.7%）整整高出14.5%，Claude-3.7也比Claude-3.5提升了12.2%，推理能力成為關鍵變量。
3. 搜得多 ≠ 搜得準，多輪策略才是王道
具備多輪檢索能力的AI搜索產品全面勝出：
DeepResearch：42.9%
豆包Deep Search：26.0%
Perplexity Research模式：22.6%
相比之下，只檢索一次的模型（如Kimi、Yuanbao）準確率低至個位數。
4. 搜索功能“翻車”？接入反而變差
最典型的反例是DeepSeek-R1，開啟搜索功能後準確率從23.2%斷崖式跌至7.6%。
研究指出，模型未能將網頁檢索信息與已有知識有效融合，反而被誤導。
數據集開放！歡迎模型開發者挑戰
BrowseComp-ZH的全部數據已開源發佈。
研究者希望此基準測試能成為推動LLM在中文信息環境落地的試金石，助力構建真正“會用中文上網”的智能體。
下一步，他們計劃擴充樣本規模，拓展問答形式，並深入分析模型推理路徑與失敗案例。
論文地址：https://arxiv.org/abs/2504.19314
代碼地址：https://github.com/PALIN2018/BrowseComp-ZH
本文來自微信公眾號“量子位”，作者：BrowseComp-ZH團隊，36氪經授權發佈。
