ANSER-Bench:2235 项分析型搜索任务,SOTA Deep Research 近半数失败
CShorten30 · x · 2026-10-31
清华大学团队(Qingyao Ai 等)发布 ANSER-Bench,首个面向「分析型搜索」的 benchmark:不同于只孤立评估检索的基准,它要求模型给出可辩护的结论。
- 规模:2235 个中英双语任务,覆盖法律、金融、科研三大领域,含证据标注,共 14 种任务设置。
- 关键发现:现有检索方法(包括 SOTA「Deep Research」基线)尽管检索指标看似很高,仍有近 50% 的任务失败。
- 评测覆盖 8 个基线系统 × 2 个骨干模型。
- 网站 anser.thuir.cn,论文、代码、数据均已开源(GitHub: DavidMiao1127/ANSER-Bench)。
「编程与Agent」频道最新
- 「别用你无法完全掌控的工具」引 OpenClaw 自托管 agent 之争 — heyneighbor · 2026-10-31
- 开发者用 Claude Code 打造二次元天气 App,连 3D 建模到配乐全 AI 代劳 — MurkyGiraffe5879 · 2026-10-31
- 开源 /REA-growth skill:0.58 美元逆向拆解任意公司增长全链路 — _AustinCalvert_ · 2026-10-31
- 团队把 Devin 接入 Slack 和 Linear，当移动开发项目经理用 — tomchapin · 2026-10-31
- OpenReceive 开源 Laravel 包：一条命令接入 BTC 与稳定币收款 — Aiden_Tech_Ai · 2026-10-31
- Cloudflare 修复 Durable Objects 部署中断问题：改到休眠时更新 — threepointone · 2026-10-31