论文页面 - LifeSearch：面向现实生活与生产力的深度研究智能体基准测试

来源：https://huggingface.co/papers/2610.18092

摘要

深度研究（DR）智能体通过多步推理、长程网页搜索和证据综合来满足开放式信息需求。然而，现有基准主要聚焦于学术研究或合成任务，对 DR 智能体在现实生活和专业生产力场景中的能力评估仍不充分。为填补这一空白，我们推出 LifeSearch，这是一个具有挑战性的基准，包含 203 项中英文任务，这些任务源自真实用户的查询种子，涵盖 7 个具体的生活与生产力领域。通过超过 4,500 小时的人工标注，我们构建了 4,000 多条由专家编写的细粒度评分标准，既涵盖报告内容在覆盖度和准确性方面的要求，也包含明确规定数值、单位、日期和 URL 的具体标准。我们在统一的评估框架下，对 12 个先进的 DR 智能体开展了广泛实验，系统分析了它们的性能模式和失败类型。我们发现，即便是表现最佳的前沿智能体 GPT-5.6 Sol，得分也仅为 63.4%，表明其在贴近现实的生活与专业 DR 任务中仍有很大的改进空间。我们通过将候选大语言模型评判器与人工评分标准标签进行比较来选择评分配置，一项人工排序研究表明，基准综合得分与人工判断高度一致（Spearman’s ρ=0.89，Kendall’s τ=0.81）。LifeSearch 为推动 DR 智能体应用于现实生活与生产力场景提供了严谨的评估框架和基础。

查看 arXiv 页面 (https://arxiv.org/abs/2610.18092)查看 PDF (https://arxiv.org/pdf/2610.18092)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.18092)

在你的智能体中获取这篇论文：

hf papers read 2610\.18092

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型0

没有模型关联这篇论文

在模型的 README.md 中引用 arxiv.org/abs/2610.18092，即可从此页面链接到该模型。

引用这篇论文的数据集0

没有数据集关联这篇论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.18092，即可从此页面链接到该数据集。

引用这篇论文的 Spaces0

没有 Space 关联这篇论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.18092，即可从此页面链接到该 Space。

收录这篇论文的合集0

没有合集收录这篇论文

将这篇论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集。