LifeSearch：评测深度研究智能体在现实生活与生产力任务中的表现
深度研究智能体通过多步推理、长时间网络搜索和证据综合，处理开放式信息需求。然而，现有基准测试主要聚焦学术研究或合成任务。LifeSearch旨在填补这一空白，收录涵盖生活与生产力七个领域的203项中英文任务。研究团队投入超过4,500小时进行人工标注，建立了4,000多项由专家编写的细化评估标准。在对12种智能体的测试中，表现最佳的GPT-5.6 Sol也仅得63.4%。人工排名研究显示，人类判断与基准测试的综合得分高度一致。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。