©作者 | 周培林
单位 | 香港科技大学（广州）
随着大语言模型（LLMs）日渐“拟人化”，能写报告、能画图、还能“冲浪查资料”，不少人以为它们已能应对各种任务。
但这次，一项由港科大（广州）、北大、浙大、阿里、字节跳动、NIO 等机构联合发布的新基准测试集—— BrowseComp-ZH，让 20 多个中外主流大模型集体“挂科”：GPT-4o 在测试中准确率仅 6.2%；多数国产 / 国际模型准确率跌破 10%；即便是目前表现最好的 OpenAI DeepResearch，也仅得 42.9%。
研究团队直言：
“当前主流模型，距离成为真正懂中文互联网的智能体，还差得远。”
论文标题：
BrowseComp-ZH: Benchmarking Web Browsing Ability of Large Language Models in Chinese
论文地址：
https://arxiv.org/abs/2504.19314
代码地址：
https://github.com/PALIN2018/BrowseComp-ZH
为什么我们需要中文网页能力测试？
如今的大模型越来越擅长“用工具”：能连搜索引擎、能调用插件、能“看网页”。但众多评估工具都只在英文语境下建立，对中文语境、中文搜索引擎、中文平台生态考虑甚少。然而，中国互联网信息碎片化严重、搜索入口多样、语言表达复杂。中文网页世界到底有多难？举几个例子你就明白了：
-
信息碎片化，分散在百度百科、微博、地方政府网站、视频号等多平台
-
常见的语言结构中含有省略、典故、代指，关键词检索常常“跑偏”
-
搜索引擎本身质量参差，信息“沉底”或“走丢”都是常事
因此，英文测试集“翻译一下”根本不够。需要从中文语境原生设计，才能真正衡量大模型是否能在中文网页上“看得懂”“搜得到”“推得准”。
BrowseComp-ZH 是怎么炼成的？
研究团队采用了“逆向设计法”：从一个明确、可验证的事实答案出发（如某个画种、机构、影视剧名），反向构造出多个约束条件的复杂问题，确保以下三点：
-
百度 / Bing / Google 三大搜索引擎首屏无法直接命中答案
-
多个主流大模型在检索模式下也无法直接答对
-
经过人工验证，问题结构清晰，且仅有唯一答案
最终，他们构建了 289 道高难度中文多跳检索题目，覆盖影视、艺术、医学、地理、历史、科技等 11 大领域。
大模型集体“翻车”？DeepResearch 勉强破四成，绝大多数连 10% 都不到
在 BrowseComp-ZH 的测试下，多款国内外主流大模型集体“翻车”：
尽管这些模型在对话理解、生成表达方面已展现强大实力，但在面对中文互联网的复杂检索任务时，准确率普遍低得惊人——
1. 多数模型准确率低于 10%，仅少数能突破 20%
2. OpenAI DeepResearch 以 42.9% 位列第一，仍远未“及格”
研究者指出，这一结果说明：模型不仅需要会“查资料”，更要会“多跳推理”与“信息整合”，才能在中文互联网中真正找到答案。
四大发现，揭示中文网页任务的“模型死角”
4.1 仅靠记忆不行，得真本事
纯靠参数记忆（无搜索）的模型准确率往往低于 10%，说明“硬背”不靠谱。
4.2 有推理的模型，表现更好
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%，推理能力成为关键变量。
4.3 搜得多 ≠ 搜得准，多轮策略才是王道
具备 多轮检索能力 的 AI 搜索产品全面胜出：
-
DeepResearch：42.9%
-
豆包 Deep Search：26.0%
-
Perplexity Research 模式：22.6%
相比之下，只检索一次的模型（如 Kimi、Yuanbao）准确率低至个位数。
4.4 搜索功能“翻车”？接入反而变差
最典型的反例是 DeepSeek-R1，开启搜索功能后准确率从 23.2% 断崖式跌至 7.6%。
研究指出，模型未能将网页检索信息与已有知识有效融合，反而被误导。
数据集开放！欢迎模型开发者挑战
BrowseComp-ZH 的全部数据已开源发布：
项目地址：
https://github.com/PALIN2018/BrowseComp-ZH
研究者希望此基准测试能成为推动 LLM 在中文信息环境落地的试金石，助力构建真正“会用中文上网”的智能体。下一步，他们计划扩充样本规模，拓展问答形式，并深入分析模型推理路径与失败案例。
（文：PaperWeekly）