过去一年，搜索智能体的能力提升速度确实令人瞩目。在BrowseComp等评测基准中，顶尖模型的准确率从最初的约30%迅速攀升至90%以上。然而，一旦基准迅速饱和，其用于区分模型能力的衡量标准也随之失效。 问题究竟出在哪里？BrowseComp的题目全部依赖人工设计，这本身就存在一个固有局限：标注者只能基于自身已知的实体和关系来构思题目，无法站在全局知识网络的视角判断——哪些条件真正难以检索？哪些约束的候选空间足够大？正是这种“视角盲区”，促使我们开始探索另一种可能性：能否让机器自主生成题目？ 美团LongCat团队在最新论文中提出的LoHoSearch基准，正是将这一可能性变为现实。

LoHoSearch 的核心“硬核”看点

• 知识图谱自动化构造。以覆盖762万维基百科实体的知识图谱为基础自动生成题目，替代人工出题。基准包含544道经过人工核验的题目，覆盖11个领域。
• 双维度难度控制。在生成过程中系统性地控制搜索空间与结构复杂度，构建出难度显著高于现有基准的挑战性问题。
• 当前模型性能表现。已评测模型中，GPT-5.5准确率为34.74%；现有上下文管理策略在LoHoSearch上提升幅度为6.8%，低于在BrowseComp上的14.03%。

01 设计原理：让机器出题，需要几步？

机器出题的前提是让机器拥有“全局视野”。整个构建流程可拆分为四个环节：建图 → 控制难度 → 质量把关 → 数据概览。下面逐一展开。

1.1 建图：搭建知识图谱，让机器获得全局视野

LoHoSearch的第一步，是从完整的英文维基百科出发，构建一张大规模知识图谱：

• 762万个实体（每个维基页面作为一个实体节点）
• 2.65亿条有向边（页面正文中指向其他维基页面的超链接）
• 每个实体的类型取自其Wikidata P31类别，实体热度通过入度来衡量

这张图谱为后续在全局视角下挑选“难题”奠定了坚实基础。 有了图谱之后，下一个问题是：什么样的题目才算“难”？LoHoSearch从两个维度来定义难度。

1.2 控制难度：搜索空间和结构复杂度两个维度

决定搜索难度的核心有两个维度，而它们恰恰是人工出题最难把控的：

• 搜索空间：满足某一条件的候选实体有多少。候选越多，排除成本越高。
• 结构复杂度：需要同时满足多少条件才能锁定答案。条件越多、咬合越紧，求解链条越长。

针对这两个维度，LoHoSearch设计了两种子图结构：

• 树结构主要通过放大“搜索空间”来制造难度。
• 图结构则在巨大搜索空间之上，通过引入环形依赖和交叉约束，进一步叠加了“结构复杂度”。

1.3 质量把关：从生成到验证，层层把关

子图采样完成后，还需要转换为可读的自然语言题目。整个转换与验证流程分为三层：

• 题目生成：从子图抽取维基描述，改写为自然语言问题。
• 自动验证：检查问题是否完整覆盖子图关系，并由搜索智能体验证标准答案满足所有条件。
• 筛选与复核：排除多答案题和易答题，再由人工审核。

经过三层筛选，自动化流程的整体质量表现如下：75.5%的题目直接通过人工复核，22.3%经标注员微调后接受，仅有2.2%因严重问题被丢弃。

1.4 数据概览：544道题目，11个主题领域

LoHoSearch最终收录544道经过人工核验的题目。对比树结构和图结构可以看出，图结构子图明显更稠密——节点更多、边数接近前者的两倍，这正对应其更高的结构复杂度。题目内容覆盖音乐、地理与地点、影视、体育等11个主题领域。 最强模型GPT-5.5准确率仅34.74%，DeepSeek-V4-Pro、Claude-Opus-4.6和Kimi-K2.6集中在15.53%–15.99%，其余模型均低于14%。这与它们在BrowseComp上80%以上的表现形成鲜明对照——LoHoSearch对当前最先进搜索智能体构成了实质性挑战。

洞察一：解一道题，平均工具调用从35次增至61次

使用DeepSeek-V4-Flash作为探针对比两个基准：同一模型在BrowseComp上准确率58.84%，在LoHoSearch上仅10.02%。 解一道LoHoSearch题目，平均工具调用次数从35次增至61次（+74%），中位数从26次升至59次。图结构题目准确率仅8.01%，远低于树结构的11.89%，印证了结构复杂度是独立于搜索空间之外的额外难度来源。

洞察二：重复采样收益可观，但天花板依然很低

对DeepSeek-V4-Flash采样16个独立回答，结果如图5所示。 pass@N从N=1的9.3%升至N=16的38.3%，重复采样收益可观，但38.3%仍处于低位。尝试16次仍有六成以上题目无法攻克。三种聚合策略中best-of-N表现最优（24.6%），远低于pass@16上界，说明模型在答案置信度校准上存在明显不足。

洞察三：现有的上下文管理策略，在这里已失真

以标准ReAct为基线，测试Summary和Discard-all两种策略，并加入Verify模块。 表现最佳的组合（Discard-all + Verify）将成绩从10.02%提至16.82%，绝对提升仅6.8个百分点，而同一套策略在BrowseComp上可带来14个百分点的增益。收益收窄的原因在于LoHoSearch需要更长的推理链，简单的轨迹压缩或重启无法解决长程搜索中的信息丢失问题——这使其成为下一代上下文管理技术更有价值的试验场。

洞察四：知识图谱是系统化构造高难度题目不可或缺的基础

对比两个基准中“隐藏实体”的特征可以发现：

• 其一，BrowseComp的隐藏实体流行度明显更高，人工出题难以精确控制实体知名度，导致实体偏易。
• 其二，即便将流行度控制在同一水平，LoHoSearch的关系搜索空间仍显著更大，实体推断难度远高于BrowseComp。

这说明人工构建存在系统性局限，知识图谱是系统化构造高难度题目不可或缺的基础。

02 总结：为下一代智能搜索提供新标尺

LoHoSearch的价值体现在三项具体贡献上：

• 基于知识图谱的自动化构造流程。以覆盖762万实体的知识图谱为基础自动生成题目，系统控制搜索空间与结构复杂度，突破人工出题的难度上限。
• 更具区分度的评测标准。最强模型GPT-5.5准确率仅34.74%，正确轨迹所需工具调用次数是BrowseComp的1.7倍。LoHoSearch为搜索智能体建立了更具区分度的评测标尺。
• 面向上下文管理研究的挑战性平台。最优策略仅带来6.8%的提升，远低于其在BrowseComp上14.03%的增益，表明LoHoSearch可成为推动下一代上下文管理技术研究的理想试验场。

LoHoSearch已全面开源，欢迎各大模型前来接受“长程搜索”大考。

开源链接

• Paper: arxiv.org/abs/2606.12…
• HuggingFace: huggingface.co/datasets/me…