一句话看懂：Hugging Face Papers 收录的一篇论文提出 OpenDS 任务与 OpenDS-World 基准，专门考察 Deep Search 智能体在真实开放网络中的多步检索能力；在统一工具环境下，12 款前沿模型最高准确率为 39.0%，说明端到端“联网做研究”仍远未成熟。
事件核心：发生了什么
论文指出，现有 Deep Search 智能体虽然在静态检索任务上进展明显，但在真实开放网络中的端到端研究能力缺乏充分评测。为此，作者构建 OpenDS 任务与 OpenDS-World 基准，包含 200 个挑战性任务，覆盖多种信息模态、异构文件格式和交互式访问要求，并通过人工核验保证证据有效、答案唯一。评测在统一工具环境和执行协议下进行，12 款前沿模型中表现最好者准确率为 39.0%。目前公开信息仅为论文摘要，全文实验细节和同行评审状态尚未核验。
为什么重要
真实网络的信息分散在不同来源、模态和交互机制中，智能体必须自主搜索、访问并整合证据，这与静态检索评测差异很大。OpenDS-World 把“工具调用、浏览器交互、证据处理、长程搜索管理”放进同一套评测框架，有助于行业比较不同大模型的 Deep Search 能力，而不是只看单轮问答或封闭数据集成绩。对正在推进 AI 应用落地和 Agent 产品的团队来说，这类基准提供了更接近真实使用场景的参照。
对用户/开发者/创作者的影响
对开发者而言，测评结果提示：接入搜索 API、浏览器工具并不等于具备研究能力，工具协调和长程任务管理仍是主要瓶颈。若基于开源或闭源大模型构建调研类 Agent，需要重点优化失败恢复、终止判断和搜索成本控制。对普通用户和企业采购方，短期内不宜把“自动深搜”视为可直接替代人工调研的功能；对内容创作者，这类智能体更适合做线索发现和证据整理，最终事实核验仍需人工介入。
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。
值得关注的后续
一是 OpenDS 任务的评测协议是否被更多团队采用，形成可比的榜单；二是后续模型能否在工具协调和长程搜索管理上取得实质提升；三是该基准是否会从论文走向公开可复现的评测平台，以及是否会引入更多真实网站交互场景。
