HyperBrowseComp：面向网页浏览智能体的多语言多模态压力测试基准

HyperBrowseComp 是一个多语言多模态网页浏览基准，包含 423 道人工编写并验证的问题，覆盖 13 种语言，由母语或高水平使用者撰写。问题要求定位冷门证据、追踪多步线索或查阅视频、扫描文档、图像、地图等异构来源，并通过无联网模型评估过滤掉可凭参数化知识作答的简单题。研究在统一智能体协议下用厂商原生搜索与共享外部检索框架评测多个模型，并对部分问题开展人工评估。