VisBrowse-Bench：基准测试多模态浏览代理的原生视觉搜索能力

针对现有基准在视觉推理评估及网页原生视觉信息利用方面的不足，本文提出了 VisBrowse-Bench。该基准包含 169 个跨领域 VQA 实例，通过文本 - 图像检索与联合推理中的多模态证据交叉验证，评估模型在搜索过程中的视觉推理能力。数据经专家多阶段构建并严格校验。此外，本文提出了一种智能体工作流，驱动代理主动收集并推理视觉信息。实验表明，即便表现最佳的 Claude-4.6-Opus 准确率也仅为 47.6%，凸显了当前模型在该任务上的挑战。