一句话看懂：美团LongCat团队推出LoHoSearch基准，通过从700万实体知识图谱自动生成问题，让搜索智能体的评测难度大幅提升，当前最强模型得分仅34.74%，与已趋饱和的BrowseComp形成鲜明对比。
事件核心：发生了什么
2026年7月17日，美团LongCat团队在X平台发布LoHoSearch——一个专为搜索智能体设计的高难度评测基准。该基准从包含762万实体的维基百科知识图谱中自动生成544道问答题，覆盖11个领域，结构包含树状和网状查询关系。与此前由人类标注者编写的BrowseComp（10个月内从30%提升至90%得分率）不同，LoHoSearch旨在最大化搜索空间和结构复杂度，以避免人类设计者无法可靠构造的评测瓶颈。
在11个前沿模型的测试中，最佳模型得分仅34.74%，排名第二三的模型均落在15-16%区间；而当前顶级模型在BrowseComp上已接近90%。此外，LoHoSearch上最佳上下文策略仅带来+6.8个百分点的提升（BrowseComp为+14个百分点），说明模型在该基准上更依赖原生搜索推理能力而非上下文优化。
该基准已开源发布。
为什么重要
LoHoSearch的价值在于它揭示了目前搜索智能体的真实天花板。BrowseComp等基准快速饱和，说明现有评测已无法有效区分模型能力的差异，也间接降低了行业对搜索智能体进步的清晰判断。LoHoSearch通过自动生成问题绕过人类设计局限，构建起结构更复杂、搜索空间更广的评测体系。来自美团LongCat这一团队的工作，进一步表明中国AI团队在智能体评测方法论上正同步参与国际前沿竞争。
从技术路线来看，LoHoSearch的低分结果（最佳仅34.74%）暗示：现有算法在复杂图结构检索与多跳推理上仍存在显著不足，这可能是搜索智能体下一阶段需要攻克的真正瓶颈。
对用户/开发者/创作者的影响
对AI从业者和研究者：LoHoSearch可作为衡量搜索智能体系统能力的新标尺。如果正在开发RAG或搜索类Agent，建议用该基准评估模型的推理检索上限，而非仅依赖快速饱和的旧基准。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户：不必急于期待搜索智能体在复杂知识任务上完全替代传统搜索引擎。LoHoSearch的得分分布显示，即使是当前最先进模型在面对深层多跳查询时仍表现有限。
对内容创作者与SEO从业者：更复杂的搜索路径意味着未来的信息检索并非“一问一答”那么简单，内容组织方式的优化可能需要适配图结构化的关联而非扁平关键词。
值得关注的后续
1. 模型的迭代节奏：可关注后续6-12个月内能否有模型在该基准上突破50%得分率，这将直接反映搜索智能体在复杂推理上的技术进步步伐。
2. 开源生态的反馈：因为LoHoSearch已开源，其他团队（尤其是闭源大模型厂商）是否会主动在该基准上进行评测并公开得分，将成为观察行业信心的窗口。
3. 竞品与替代方案：目前公开信息显示BrowseComp团队或其他顶级评测机构是否将跟进推出更高复杂度基准，仍是悬而未决的竞争变量。
