DeepWeb-Bench：一个需要海量跨源证据和长程推导的深度研究基准

针对前沿模型在现有基准上表现优异难以区分能力的现状，本文提出 DeepWeb-Bench，一个更具挑战性的深度研究基准。该基准要求智能体进行海量证据收集、跨源协调及长程多步推导。研究将任务难度划分为检索、推导、推理和校准四类能力。实验发现，检索并非瓶颈，推导与校准失败占错误总数的 70% 以上；强弱模型失败模式各异，且模型在不同领域表现出显著的专业化差异。