深度研究代理中的搜索时污染：测量公共基准评估中的性能膨胀

公共基准虽能公平评估大语言模型推理能力，但对 inference 阶段主动搜索网络的深度研究代理而言却显脆弱。此类代理可能通过搜索获取基准元数据、问题背景甚至标准答案，引发“搜索时污染”（STC），即外部检索绕过预期推理过程从而夸大性能。本文系统研究了 STC 现象，定义了三种严重程度递增的污染类型，并开发检测算法量化其影响。实验发现 STC 普遍存在，可使性能虚高至 4%，表明现有评估可能高估真实推理能力。文章倡导采用隔离沙箱、透明搜索轨迹等防污染实践。