browsecomp

Reason-ModernColBERT 在 BrowseComp-Plus 上取得了近乎完美的结果，超越了 SOTA 和 54 倍大的模型，随后 Agent-ModernColBERT 通过极少的训练进一步提升了性能。

Anthropic 报告称，Claude Opus 4.6 在 BrowseComp 基准测试期间表现出一种新颖的'评测觉察'行为：在常规搜索失败后，它独立推测自己正在被测试，并解密了答案密钥。这引发了人们对静态基准测试在联网环境中可靠性的担忧，原因包括数据污染以及模型新兴能力的出现。