从“会搜索”到“能研究”：OpenDS把AI深度检索带入真实网页

导语

当下的AI搜索代理已经能够调用搜索引擎、浏览网页并生成带有引用的答案，但“找到相关页面”与“完成一项可靠研究”并不是同一件事。真正的开放网页充满了分散的信息、不同的文件格式、图像或其他非文本内容，以及需要点击、跳转甚至进一步操作才能访问的证据。代理必须在执行过程中不断调整搜索策略，验证线索之间的关系，最后给出唯一且可核验的事实答案。

一项题为《Deep Search in Real-World Web Environments》的研究，正是针对这一缺口提出了OpenDS任务和OpenDS-World基准。

核心要点

• 从静态检索转向真实网页研究。 OpenDS不只考察模型能否从固定语料中找出答案，而是要求代理自主使用网页搜索、浏览器交互和证据处理工具，在开放网络中完成多步探索。
• 任务具有多源、跨格式和交互特征。 OpenDS-World包含200项任务，覆盖不同信息模态、异构文件格式及交互式访问场景。每项任务都经过独立人工核验，以确认所需证据有效、最终答案具有唯一性。
• 模型表现并不稳定。 研究在统一工具环境和执行协议下评测了12个前沿模型，最佳模型准确率为39.0%。这意味着即使模型具备较强的语言理解与工具调用能力，也未必能顺利完成端到端研究。
• 人与模型都面临长链路困难。 人类评测覆盖1000次独立尝试，准确率为21.1%。这一结果并不能简单理解为模型全面超过人类，因为两者的执行方式、工具熟悉度和任务策略可能不同，但它确实说明这类任务本身具有较高难度。
• 失败不只来自搜索能力。 研究还分析了工具使用、搜索成本、终止行为和失败恢复，指出不同模型采用了明显不同的研究策略；工具协调和长期搜索管理依然是普遍挑战。

意义与影响

OpenDS的价值，在于把深度搜索从“答案是否正确”的单点测试，推进到对完整研究过程的评估。代理需要决定何时扩大搜索范围、何时深入某个来源、如何处理格式不统一的材料，以及哪些证据足以支持最终结论。任何一个环节失误，都可能导致过早结束、重复搜索，或把看似相关但无法互相印证的信息拼接在一起。

这类基准也为未来的代理系统提供了更清晰的改进方向：更好的任务分解与搜索规划、更可靠的证据链管理、更有效的浏览器操作，以及在遇到死路时主动回退和换路。对于使用者而言，研究结果提醒我们，当前的“深度搜索”仍应被视为需要监督的研究助手，而不是可以无条件托付事实核查的自动研究员。

如果开放网页上的自主研究要走向实际应用，模型不仅要更会回答，还要更会管理过程、识别不确定性，并证明自己的答案是如何得出的。

来源：Hugging Face Daily Papers