LoHoSearch：超越人类难度上限的长程搜索智能体基准测试

现有搜索智能体基准因由人类编写，受限于 annotator 的全局视角缺失，导致难度饱和。为此，本文提出 LoHoSearch，一个包含 544 个人工验证问题的长程搜索基准，覆盖 11 个领域。该基准基于涵盖超 700 万实体的知识图谱自动构建，旨在生成具有大搜索空间和复杂结构的问题。评估显示，最强模型准确率仅 34.74%，且现有上下文管理策略增益有限。LoHoSearch 为评估搜索智能体的长程推理与上下文管理提供了更严苛的标准。