过去一年，搜索智能体的强弱几乎全由BrowseComp说了算。但这个标尺正在失灵——短短十个月，模型成绩就从30%一路飙到了90%。基准测试本身的意义，正在被快速刷没。
7月17日，美团LongCat团队抛出了一块更硬的试金石——LoHoSearch。结果相当刺眼：11个前沿模型集体“翻车”，最佳成绩仅有34.74%，其余模型集中在15%到16%左右。同一批模型在BrowseComp上能拿约90%。从90%到34%，这道题把搜索智能体真正逼回了爬坡区。
一、BrowseComp为什么失灵了？
BrowseComp由OpenAI于2025年4月发布，包含1266个问题，用于评估AI代理在开放互联网上检索难以找到的事实信息的能力。问世不到一年，就成了搜索智能体评测的“事实标准”。
问题在于：模型进步太快，基准迭代太慢。2025年BrowseComp刚推出时，模型成绩仅30%出头。到2026年5月，OpenAI的GPT-5.5 Pro以90.1%登顶，GPT-5.6 Sol又刷新到90.4%。2026年7月，超过80%已成为前沿模型的及格线。
基准测试一旦被“刷穿”，就失去了区分度——大家分数都差不多，谁强谁弱根本看不出来。评测的意义变成了“谁更会刷题”，而不是“谁真的更会搜索”。
二、LoHoSearch：把出题权交给知识图谱
美团LongCat团队的解法是：不再靠人脑出题。
LoHoSearch基于一个覆盖762万个实体、2.65亿条有向边的维基百科知识图谱自动生成题目。机器生成的题目在搜索空间和结构复杂度上，抵达了人类标注者根本无法稳定设计的难度上限。过去的基准靠人脑出题，再难也有天花板；LoHoSearch把出题权交给图谱，难度天花板被彻底掀开。
基准包含544道经人工核验的题目，覆盖音乐、地理、影视、体育等11个主题领域。题目采用树状与图结构两种组织方式。树结构通过放大搜索空间制造难度；图结构在巨大搜索空间之上引入环形依赖和交叉约束，叠加结构复杂度。
三、11个前沿模型的“翻车现场”
评测结果用一句话概括：集体不及格。
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%至15.99%。其余模型均低于14%。作为对比，DeepSeek-V4-Flash在BrowseComp上准确率为58.84%，到了LoHoSearch仅剩10.02%。
更残酷的是：解一道LoHoSearch题目，平均工具调用从35次增至61次，增幅达74%。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。
四、上下文策略也失灵了
过去靠提示工程和上下文策略“补分”的老办法，在LoHoSearch上几乎失效。
表现最佳的组合（Discard-all + Verify）将DeepSeek-V4-Flash的成绩从10.02%提升至16.82%，绝对提升仅6.8个百分点。同样的策略在BrowseComp上能带来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。靠“小聪明”补能力，已经行不通了。
五、LoHoSearch意味着什么？
对AI搜索评测：从“刷分”回到“真考”
BrowseComp被刷穿说明一个道理：基准测试也有保质期。当所有模型都能考90分，这张卷子就废了。LoHoSearch的出现，把搜索智能体重新逼回了爬坡区——想做对一道题，模型必须真正具备长程推理、复杂信息检索和多步规划能力。
对模型厂商：告别“应试教育”
靠刷榜证明实力的时代正在过去。LoHoSearch的34.74%最高分说明：当前最先进模型距离真正的“搜索智能”还有巨大差距。模型厂商不能只盯着几个基准刷分，得回到真实场景里去打磨能力。
对行业：基准开源，人人可测
LoHoSearch已全面开源。论文地址：arxiv.org/abs/2606.12837，数据集：huggingface.co/datasets/meituan-longcat/LoHoSearch。任何团队都可以用自己的模型上去跑一跑，看看是真功夫还是纸老虎。
六、结语
BrowseComp从30%到90%用了十个月。LoHoSearch的34.74%，是新的起点，也是新的天花板。
当老基准被刷到顶，搜索Agent的真正挑战才刚刚开始。LoHoSearch很可能成为下一个绕不开的必测项——不是因为题目更难，而是因为它让“刷分”这件事，变得不再有意义。
