OpenAI推出高難度基準測試BrowseComp　挑戰AI代理資訊整合能力

記者吳立言／綜合報導

▲▼OpenAI。（圖／路透）
當生成式AI邁向更深層次的應用場景，「懂得搜尋、會查證」已成為智慧代理的關鍵能力。OpenAI最新開源的基準測試資料集，不僅揭露了當今主流模型在處理開放性資訊任務時的侷限，也為下一代 AI 系統訂立了更貼近現實世界的能力檢驗門檻。

We’re open-sourcing BrowseComp (“Browsing Competition”), a new, challenging benchmark designed to test how well AI agents can browse the internet to find hard-to-locate information.

It’s like an online scavenger hunt…but for browsing agents. https://t.co/tCpbJ5PuPB

— OpenAI (@OpenAI) April 10, 2025

OpenAI今（11日）日開源全新基準測試資料集「BrowseComp」，針對 AI 代理在真實網路環境中搜尋、整合與驗證資訊的能力進行全面評估。這項工具的推出，不僅為AI系統的實用性測試建立標竿，也揭示目前主流大型語言模型在複雜任務處理上的明顯短板。
BrowseComp（全名Browsing Competition）包含1,266道高難度題目，涵蓋電影、體育、地理、藝術、科技、歷史等多個主題，設計原則是「難以搜尋但容易驗證」，也就是說，這些問題不僅需要AI懂得該找什麼，更要有能力評估資訊的正確性與相關性。測試結果顯示，即便是GPT-4和GPT-4.5這類尖端模型，在無網路瀏覽能力下的正確率分別僅為0.6%和0.9%，即使加入瀏覽器功能，GPT-4o的正確率也僅達1.9%。與之相比，OpenAI最新的Deep Research代理模型則取得高達51.5%的準確率，展現了AI代理在搜尋與知識驗證流程中的巨大潛力。

OpenAI表示，BrowseComp的推出目的不僅是競技性測試，更是推動AI能力提升的參考框架。該資料集已於GitHub開源，讓全球開發者得以共同參與模型訓練與改進，也為日後在新聞、教育、法律、研究等需高資訊可靠性的領域應用，奠定了可信基礎。隨著AI從單一任務工具逐步演化為具備自主行動與判斷能力的「智慧代理」，BrowseComp或許有望成為評估這類系統真實表現與可用性的重要指標。