深度研究与联网检索 benchmark 严重缺位，社区呼吁真实环境评测
Lucky_Creme_5208 · reddit · 2026-09-26
- Reddit 用户指出：当前几乎所有 benchmark 要么已饱和，要么在严格受限条件下测试，例如 AA Omniscience 限制了工具访问。
- 深度研究、广域联网检索、事实查证正是用户最常用的 chatbot 场景，但相关 benchmark 极少，且现有少数几个没有官方排行榜、多年未更新（帖内附有截图列表）。
- 作者呼吁建立一个在真实环境下评测的 benchmark：开放工具使用与联网搜索、使用真实 harness（如 Claude、ChatGPT Work 等产品形态），并向社区求证是否已有此类基准。
所属事件:评测基准饱和失真，社区呼吁建真实搜索评测(2 条相关)→
「研究」频道最新
- AI 智能体日夜运转一个月,复现法国气象局 AROME 天气模型 — IgorCarron · 2026-11-11
- NYU 新方法:看人做 5 分钟家务,机器人就能学会擦桌子 — CyberRobooo · 2026-11-11
- 新预印本：以空间单细胞分辨率绘制早期器官发生的人类胚胎图式 — anshulkundaje · 2026-11-11
- OpticalRAG：文档渲染成图压缩至 16 个 token，三项基准压缩感知精度最佳 — kalyan_kpl · 2026-11-11
- 百度发布 ERNIE Evolve 自动研究系统,NanoGPT Speedrun 超公开最好成绩 — xiaohu · 2026-11-11
- Diffusion Week 2026 十讲全部公开:覆盖视频生成与世界模型 — LucaAmb · 2026-11-11