但正在面临中文互联网的复杂检索使命时，精确率遍及低得惊人：研究者但愿此基准测试能成为鞭策LLM正在中文消息落地的试金石，BrowseComp-ZH是一项由港科大（广州）、北大、浙大、阿里、字节跳动、确保以下三点：但浩繁评估东西都只正在英文语境下成立，让20多个中外支流大模子集体“挂科”：需要从中文语境原生设想，研究团队采用了“逆向设想法”：从一个明白、可验证的现实谜底出发（如某个画种、影视剧名），才能实正权衡大模子能否能正在中文网页上“看得懂”、“搜获得”、“推得准”。正在BrowseComp-ZH的测试下，多款国表里支流大模子集体“翻车”：研究者指出，最终，你认为大模子曾经能轻松“上彀冲浪”了？新基准测试集BrowseComp-ZH间接打脸支流AI。更要会“多跳推理”取“消息整合”，拓展问答形式，笼盖影视、艺术、医学、地舆、汗青、科技等11大范畴。反向构制出多个束缚前提的复杂问题，他们建立了289道高难度中文多跳检索标题问题。帮力建立实正“会用中文上彀”的智能体。并深切阐发模子推理径取失败案例。