新基准瞄准商业 Deep Research:联网检索+内部工具调用缺评测

burkov · x · 2026-10-18

Andriy Burkov 介绍一篇新文章,指出 Deep Research 系统的评测盲区:现有 deep research benchmark 只测网页探索,tool-use benchmark 只测函数调用是否正确,却没有基准检验系统能否把两者结合——即自主检索网络信息的同时,通过内部工具读取客户资料、订单历史、产品目录等企业内部数据。

这个空白的现实意义在于:企业希望把这类助手用于真实商业决策,此时"流畅但无依据"或"忽略客户自身数据"的回答比没用更糟。该工作正是为填补这一 gap 而提出新的评测设置。