BrowseComp 这个搜索智能体基准，快被刷穿了。几个头部模型在上面跑来跑去，成绩已经接近 90%，一副“这题太简单”的架势。可就在大家觉得评测这块没什么悬念的时候，美团 LongCat 突然丢出一个 LoHoSearch——一个基于 762 万实体维基百科知识图谱自动生成问题的搜索智能体基准。11 个前沿模型拉上去一测，最高分 34.74%，直接跌回三成出头。搜索 agent 的真正硬仗，大概从这一刻才开始。
一个基准快被刷到顶，然后呢？
BrowseComp 的 90% 意味着什么
任何基准都有自己的保质期。BrowseComp 刚出来时，确实逼出了一批能多步检索、交叉验证的搜索智能体。可当评测排行榜上的数字齐齐奔向 90%，事情就变味了。这未必意味着模型已经掌握了深层搜索推理，更可能的情况是：它们学会了在特定题目分布上取巧。测试集被反复曝光、策略被针对性优化、提示词被精调，一套组合拳下来，分数是上去了，真实场景的硬骨头照样啃不动。饱和的基准像一面失真的镜子，照不出真正的短板。
LoHoSearch 的当头一棒
LoHoSearch 选了一条截然不同的路。它不靠人工绞尽脑汁出题，而是直接从 知识图谱 里自动生成问题——544 道题，横跨 11 个领域，用的是树与图交织的复杂结构。这个设计从根上改变了游戏规则：题目不是拍脑袋想出来的，而是从实体、关系、多跳路径里“长”出来的。于是我们看到了那个刺眼的结果：在 11 个模型测试中，最好成绩只拿到 34.74%，与 BrowseComp 上动辄九成的表现形成断崖式落差。不是模型变笨了，是卷子换了一本更接近真实世界的。
从知识图谱里自动长出来的题库
762 万实体组成一个巨大的出题器
LoHoSearch 的出题机制值得单独拉开看。它依托一个涵盖 762 万实体的维基百科知识图谱，把实体间的各类关系当成出题原料。不是先写好问题再去找答案，而是沿着知识图谱的边游走、分叉、重组，自动生成多跳问题。你读到的一道题，可能踩着好几层关系链，需要在多个节点之间来回跳跃才有解。这让题库天然带有不可预测性——模型没法靠记忆或模板侥幸过关，必须老老实实进行层次化的信息检索和推理。
544 道题，11 个领域，结构比想象中复杂
题目数量不算夸张，544 道。但覆盖的 11 个领域跨度极大，从历史地理到科学人文，从不偏袒任何一个专门赛道。更值得留意的是结构设计：它同时引入了树结构和图结构。树结构让问题有清晰的逻辑主干，图结构则塞进交叉引用与环路，模拟真实搜索任务里那种“半路杀出个新线索”的混乱感。这两种结构的混合，等于给模型出了一套需要动态调整检索路径的综合测试，远不止“找到一句话就完事”的信息抽取。
自动生成背后，是对搜索逻辑的重新定义
人工出题有一个隐蔽陷阱——人类会不自觉地将自己擅长的拆解思路带进题目里。LoHoSearch 改用知识图谱自动生成，等于把搜索逻辑交还给数据本身的拓扑。问题不是“你怎么找到这个事实”，而是“你在错综复杂的事实网络里，能不能通过一系列检索动作拼出答案”。这种命题视角的切换，迫使智能体从单轮问答思维转向持续的探索思维，这也是很多模型暴露出根本弱点的起点。
最强模型集体哑火，常识补丁也不好使
11 个模型参战，冠军只拿到 34.74%
测试结果一出来，圈内讨论的焦点很快不再是哪个模型登顶，而是“居然全军都这么低”。这次拉上场的 11 个前沿模型涵盖了当前搜索智能体的主流架构与规模，结果全部被压在 35% 以下。没有一枝独秀，没有黑马奇迹，超高分的真空地带恰说明：这不是某个模型发挥失常，而是整套能力栈在这一基准前碰了壁。LoHoSearch 刚刚开源，但已经让人嗅到它成为下一个必测项目的味道。
给再多 token，也只有 +6.8 个百分点的挣扎
还有一个细节颇能说明问题。研究团队尝试了常见的上下文策略增强——给模型更长的思考窗口、更多检索步数、更丰富的中间证据。满以为能拉出一波显著提升，结果只换来了区区 6.8 个百分点的涨幅。这点可怜的边际收益，等于在说：问题的难度不在资源不够，而在推理框架本身没跟上。追加 token 就像给一个迷路的人更亮的灯笼，路没找对，亮多少都没用。这也把搜索智能体当前的一条技术捷径堵死了大半。
搜索代理的真正硬仗才刚开始
告别信息抽取，多跳推理不再是一句口号
过去我们聊搜索智能体，常常把“多跳推理”挂在嘴边，但多数评测中被量化的仍是类检索式问答。LoHoSearch 的出现，算是把这层窗户纸彻底捅破。它的树-图混合结构、跨领域自动生成，再加上实体间非对称关系的隐性约束，让“找到信息”变成基础门槛，“整合信息并沿着线索继续深入”变成决胜关键。今后再标榜多跳推理能力的模型，恐怕都得先在这张卷子上过一遍。因为这里每一道题都像一次迷你侦查，而不是一本已摊开的书。
开源背后，生态会往哪走
LoHoSearch 选择了完全开源，这套 544 题的基准、自动生成机制的思路，连带着知识图谱的构建方法，全都摆上了桌面。这种透明度有利于社区快速发现隐藏缺陷、针对性地改进智能体架构，同时也可能催生一批新的训练策略和评估维度。它不像那种高高在上的闭门评测，反而更接近一个开放的压力测试场。能在这个基准上撕开口子的团队，才真正可能把搜索 agent 从实验室带进复杂的现实信息场。34.74%，是一个让人不太舒服的数字，但它标定了一道值得认真跃过的门槛。
