热门资讯

LoHoSearch – 美团推出的下一代搜索智能体评测基准

业界来源：AI工具集 2026-07-20 22:30:53

LoHoSearch是什么

LoHoSearch 是美团 LongCat 团队推出的下一代搜索智能体评测基准，基于覆盖 762 万维基百科实体、2.65 亿条关系边的知识图谱自动生成题目，替代传统人工出题模式。基准收录 544 道经人工核验的高质量题目，覆盖音乐、影视、地理等 11 个领域，通过控制搜索空间与结构复杂度双维度制造挑战。当前最强模型 GPT-5.5 准确率仅 34.74%，远低于其在 BrowseComp 上 90% 以上的表现，为长程搜索推理与上下文管理提供更具区分度的评测标准。

LoHoSearch的主要功能

知识图谱自动化建图：用完整英文维基百科为数据源，构建 762 万实体节点与 2.65 亿条有向边的超大规模知识图谱，每个实体标注 Wikidata 类型与入度热度，为全局视角选题提供基础。
双维度难度控制：从搜索空间与结构复杂度两个维度系统调控题目难度，突破人工出题的认知天花板。
树结构与图结构采样：树结构通过放大搜索空间制造难度，图结构则在巨大搜索空间之上引入环形依赖与交叉约束，进一步叠加结构复杂度。
自动化 QA 生成与验证：从子图抽取维基描述改写为自然语言题目，经关系提取、子图覆盖检查、答案满足度验证三层自动筛选，再辅以人工复核确保质量。
多模型性能评测：支持对主流搜索智能体进行标准化评测，输出准确率、工具调用次数、校准误差等核心指标，直观反映模型长程推理能力。

LoHoSearch的技术原理

知识图谱自动化构建：用完整英文维基百科为数据源，抽取 762 万个实体页面作为节点，提取正文内 2.65 亿条超链接作为有向边，为每个实体标注 Wikidata P31 类型与入度热度，构建全局知识网络。
双维度难度定义：从”搜索空间”和”结构复杂度”两个正交维度量化题目难度，突破人工出题的认知局限。
树结构子图采样：通过放大搜索空间制造难度，从单一答案节点向下展开多条独立分支，每条分支对应一个高候选空间的约束条件，使排除成本指数级上升。
图结构子图采样：在巨大搜索空间基础上引入环形依赖与交叉约束，多个条件节点彼此 interconnected，求解需同时满足多组咬合关系，叠加结构复杂度形成双重挑战。
关系提取与自然语言生成：从采样子图中抽取各实体的维基百科描述，用大模型改写为连贯的自然语言问题，确保每个线索完整保留原始子图中的关系信息。

如何使用LoHoSearch

加载数据：通过 datasets 库直接加载 meituan-longcat/LoHoSearch，获取 544 道题目与标准答案。
查看结构：数据集包含题目文本、对应子图结构、领域标签及经知识图谱校验的唯一答案。
接入评测：将题目输入待测搜索智能体，记录其推理轨迹与最终输出。
自动判分：对照数据集提供的标准答案，验证模型输出是否满足全部约束条件并统计准确率。
对比分析：用数据集附带的子图复杂度与领域标签，分维度分析模型在不同难度与主题下的表现。

LoHoSearch的核心优势

突破人工出题天花板：传统人工基准受限于标注者已知实体范围，LoHoSearch 依托全局知识图谱，能系统识别高搜索空间与高结构复杂度的”真难题”。
难度显著高于现有基准：同一模型在 BrowseComp 上准确率 58.84%，在 LoHoSearch 上仅 10.02%，平均工具调用从 35 次增至 61 次，挑战强度提升 74%。
区分度更强：现有上下文管理策略在 BrowseComp 上提升 14.03%，在 LoHoSearch 上仅提升 6.8%，更能真实反映策略在长程复杂场景下的边际效益。
结构复杂度独立可控：图结构题目准确率（8.01%）显著低于树结构（11.89%），证明结构复杂度是独立于搜索空间之外的额外难度来源，可被单独量化。

LoHoSearch的项目地址

HuggingFace模型库：https://huggingface.co/datasets/meituan-longcat/LoHoSearch
arXiv技术论文：https://arxiv.org/pdf/2606.12837

LoHoSearch的同类竞品对比

维度	LoHoSearch	BrowseComp
出题方式	知识图谱自动化生成 + 人工核验	人工设计
题目数量	544 道	数百道
覆盖领域	11 个领域（音乐、影视、地理等）	未明确分领域
难度控制	搜索空间 + 结构复杂度双维度	人工主观控制
最强模型准确率	GPT-5.5：34.74%	GPT-5.5 Pro：90.1%
工具调用中位数	59 次	26 次
上下文策略提升	+6.8%	+14.03%
饱和状态	远未饱和，区分度高	已接近饱和
适用场景	长程搜索推理、上下文管理评测	基础搜索能力评测

LoHoSearch的应用场景

搜索智能体能力评测：为具备长程推理能力的搜索 Agent 提供高难度标准化测试，精准定位模型在复杂信息检索链条中的短板。
上下文管理策略验证：评估 Summary、Discard-all、Verify 等上下文压缩与验证策略在超长交互场景下的真实增益，避免在简单基准上高估策略效果。
模型迭代对标：为研究团队提供未饱和的评测标准，支撑模型版本迭代时的能力边界探测与性能对比。
搜索算法研究：为需要多步推理、交叉验证的复杂搜索算法研究提供可控难度的数据集与评测框架。
智能体产品选型：帮助企业在选型搜索智能体方案时，通过 LoHoSearch 区分不同模型在真实复杂查询场景下的实际表现。