新火種
2025-05-07 
大模型集體“掛科”！全新中文網頁檢索測試：GPT-4o準確率僅6.2%
你以為大模型已經能輕松“上網沖浪”了？
新基準測試集BrowseComp-ZH直接打臉主流AI。
BrowseComp-ZH是一項由港科大（廣州）、北大、浙大、阿里、字節跳動、NIO等機構聯合發布的新基準測試集，讓20多個中外主流大模型集體“掛科”：
GPT-4o在測試中準確率僅6.2%；多數國產/國際模型準確率跌破10%；即便是目前表現最好的OpenAI DeepResearch，也僅得42.9%。
目前，BrowseComp-ZH的全部數據已開源發布。
研究團隊直言：
為什么我們需要中文網頁能力測試？如今的大模型越來越擅長“用工具”：能連搜索引擎、能調用插件、能“看網頁”。
但眾多評估工具都只在英文語境下建立，對中文語境、中文搜索引擎、中文平臺生態考慮甚少。
然而，中文互聯網信息碎片化嚴重、搜索入口多樣、語言表達復雜。
中文網頁世界到底有多難？舉幾個例子你就明白了：
信息碎片化，分散在百度百科、微博、地方政府網站、視頻號等多平臺常見的語言結構中含有省略、典故、代指，關鍵詞檢索常常“跑偏”搜索引擎本身質量參差，信息“沉底”或“走丟”都是常事因此，英文測試集“翻譯一下”根本不夠。
需要從中文語境原生設計，才能真正衡量大模型是否能在中文網頁上“看得懂”、“搜得到”、“推得準”。
BrowseComp-ZH是怎么煉成的？研究團隊采用了“逆向設計法”：從一個明確、可驗證的事實答案出發（如某個畫種、機構、影視劇名），反向構造出多個約束條件的復雜問題，確保以下三點：
百度/Bing/Google三大搜索引擎首屏無法直接命中答案多個主流大模型在檢索模式下也無法直接答對經過人工驗證，問題結構清晰，且僅有唯一答案最終，他們構建了289道高難度中文多跳檢索題目，覆蓋影視、藝術、醫學、地理、歷史、科技等11大領域。
大模型集體“翻車”？DeepResearch勉強破四成，絕大多數連10%都不到
在BrowseComp-ZH的測試下，多款國內外主流大模型集體“翻車”：
盡管這些模型在對話理解、生成表達方面已展現強大實力，但在面對中文互聯網的復雜檢索任務時，準確率普遍低得驚人：
多數模型準確率低于10%，僅少數能突破20%OpenAI DeepResearch以42.9%位列第一，仍遠未“及格”研究者指出，這一結果說明：模型不僅需要會“查資料”，更要會“多跳推理”與“信息整合”，才能在中文互聯網中真正找到答案。
四大發現，揭示中文網頁任務的“模型死角”1. 僅靠記憶不行，得真本事純靠參數記憶（無搜索）的模型準確率往往低于10%，說明“硬背”不靠譜。
2. 有推理的模型，表現更好DeepSeek-R1（23.2%）比DeepSeek-V3（8.7%）整整高出14.5%，Claude-3.7也比Claude-3.5提升了12.2%，推理能力成為關鍵變量。
3. 搜得多 ≠ 搜得準，多輪策略才是王道具備多輪檢索能力的AI搜索產品全面勝出：
DeepResearch：42.9%豆包Deep Search：26.0%Perplexity Research模式：22.6%相比之下，只檢索一次的模型（如Kimi、Yuanbao）準確率低至個位數。
4. 搜索功能“翻車”？接入反而變差最典型的反例是DeepSeek-R1，開啟搜索功能后準確率從23.2%斷崖式跌至7.6%。
研究指出，模型未能將網頁檢索信息與已有知識有效融合，反而被誤導。
數據集開放！歡迎模型開發者挑戰BrowseComp-ZH的全部數據已開源發布。
研究者希望此基準測試能成為推動LLM在中文信息環境落地的試金石，助力構建真正“會用中文上網”的智能體。
下一步，他們計劃擴充樣本規模，拓展問答形式，并深入分析模型推理路徑與失敗案例。
論文地址：https://arxiv.org/abs/2504.19314代碼地址：https://github.com/PALIN2018/BrowseComp-ZH
— 完 —
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
