LongSearchEval：评测大模型长程网络搜索的轨迹感知框架

arXiv 论文提出 LongSearchEval，一个评估大语言模型长程网络搜索能力的轨迹感知智能体框架，包含统一执行协议、来源约束结果验证与失败节点定位两阶段流程。 作者团队用该框架对 8 个模型族的 16 个模型在 100 个任务上评测，共保留 1,600 次运行，自动标记 6,545 个失败节点。流程第一阶段对照智能体引用的网页验证答案组（不依赖人工编写标准答案），第二阶段审计规范化轮次并将失败节点关联到错误答案组。 据论文报告，人工验证显示答案组标签一致率达 94.50%，轮次-答案组链接的特征对应精度达 98.11%。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。