LoHoSearch是什么
简而言之，LoHoSearch是由美团LongCat团队打造的新一代搜索智能体评测基准。与传统依赖人工出题的方式不同，它基于涵盖762万个维基百科实体、2.65亿条关系边的知识图谱，自动生成测试题目。该基准包含544道经过人工审核的高质量题目，横跨音乐、影视、地理等11个领域。通过控制搜索空间与结构复杂度两个维度，它构建出极具挑战性的评测任务。目前，最强模型GPT-5.5在其上的准确率仅为34.74%，远低于它在BrowseComp上超过90%的表现。这为长程搜索推理与上下文管理提供了一个区分度更高的评估标准。
LoHoSearch的主要功能
- 知识图谱自动化建图：以完整英文维基百科为数据源，构建了包含762万个实体节点与2.65亿条有向边的超大规模知识图谱。每个实体都标注了Wikidata类型与入度热度，为全局视角的选题提供了基础。
- 双维度难度控制：从搜索空间与结构复杂度两个维度系统调控题目难度，突破了人工出题的认知局限。
- 树结构与图结构采样：树结构通过放大搜索空间来制造难度，而图结构则在巨大搜索空间之上引入环形依赖与交叉约束，进一步叠加了结构复杂性。
- 自动化QA生成与验证：从子图中抽取维基描述，改写为自然语言题目。经过关系提取、子图覆盖检查、答案满足度验证三层自动筛选，再辅以人工复核，确保题目质量。
- 多模型性能评测：支持对主流搜索智能体进行标准化评测，输出准确率、工具调用次数、校准误差等核心指标，直观反映模型的长程推理能力。
LoHoSearch的技术原理
- 知识图谱自动化构建：以完整英文维基百科为数据源，抽取762万个实体页面作为节点，提取正文中2.65亿条超链接作为有向边。每个实体都标注了Wikidata P31类型与入度热度，构建全局知识网络。
- 双维度难度定义：从“搜索空间”和“结构复杂度”两个正交维度量化题目难度，突破人工出题的认知局限。
- 树结构子图采样：通过放大搜索空间制造难度。从单一答案节点向下展开多条独立分支，每条分支对应一个高候选空间的约束条件，使排除成本指数级上升。
- 图结构子图采样：在巨大搜索空间基础上引入环形依赖与交叉约束。多个条件节点彼此互联，求解必须同时满足多组咬合关系，叠加结构复杂度形成双重挑战。
- 关系提取与自然语言生成：从采样子图中抽取各实体的维基百科描述，用大模型改写为连贯的自然语言问题，确保每个线索完整保留原始子图中的关系信息。
如何使用LoHoSearch
- 加载数据：通过
datasets库直接加载meituan-longcat/LoHoSearch，获取544道题目与标准答案。 - 查看结构：数据集包含题目文本、对应子图结构、领域标签，以及经知识图谱校验的唯一答案。
- 接入评测：将题目输入待测搜索智能体，记录其推理轨迹与最终输出。
- 自动判分：对照数据集提供的标准答案，验证模型输出是否满足全部约束条件，并统计准确率。
- 对比分析：利用数据集附带的子图复杂度与领域标签，分维度分析模型在不同难度与主题下的表现。
LoHoSearch的核心优势
- 突破人工出题天花板：传统人工基准受限于标注者已知的实体范围，而LoHoSearch依托全局知识图谱，能够系统识别出高搜索空间与高结构复杂度的“真难题”。
- 难度显著高于现有基准：同一模型在BrowseComp上准确率为58.84%，在LoHoSearch上仅为10.02%。平均工具调用次数从35次增至61次，挑战强度提升了74%。
- 区分度更强：现有上下文管理策略在BrowseComp上能提升14.03%，在LoHoSearch上仅提升6.8%。这更能真实反映策略在长程复杂场景下的边际效益。
- 结构复杂度独立可控：图结构题目的准确率（8.01%）显著低于树结构（11.89%），这证明结构复杂度是独立于搜索空间之外的额外难度来源，可以被单独量化。
LoHoSearch的项目地址
- HuggingFace模型库：https://huggingface.co/datasets/meituan-longcat/LoHoSearch
- arXiv技术论文：https://arxiv.org/pdf/2606.12837
LoHoSearch的同类竞品对比
| 维度 | LoHoSearch | BrowseComp |
|---|---|---|
| 出题方式 | 知识图谱自动化生成 + 人工核验 | 人工设计 |
| 题目数量 | 544 道 | 数百道 |
| 覆盖领域 | 11 个领域（音乐、影视、地理等） | 未明确分领域 |
| 难度控制 | 搜索空间 + 结构复杂度双维度 | 人工主观控制 |
| 最强模型准确率 | GPT-5.5：34.74% | GPT-5.5 Pro：90.1% |
| 工具调用中位数 | 59 次 | 26 次 |
| 上下文策略提升 | +6.8% | +14.03% |
| 饱和状态 | 远未饱和，区分度高 | 已接近饱和 |
| 适用场景 | 长程搜索推理、上下文管理评测 | 基础搜索能力评测 |
LoHoSearch的应用场景
- 搜索智能体能力评测：为具备长程推理能力的搜索Agent提供高难度标准化测试，精准定位模型在复杂信息检索链条中的短板。
- 上下文管理策略验证：评估Summary、Discard-all、Verify等上下文压缩与验证策略在超长交互场景下的真实增益，避免在简单基准上高估策略效果。
- 模型迭代对标：为研究团队提供未饱和的评测标准，支撑模型版本迭代时的能力边界探测与性能对比。
- 搜索算法研究：为需要多步推理、交叉验证的复杂搜索算法研究，提供可控难度的数据集与评测框架。
- 智能体产品选型：帮助企业在选型搜索智能体方案时，通过LoHoSearch区分不同模型在真实复杂查询场景下的实际表现。