evalstone/evalscope/docs/zh/benchmarks/browsecomp.md

BrowseComp

概述

BrowseComp 是 OpenAI 推出的一项用于评估浏览和搜索智能体的基准测试。它包含 1,266 个难以查找、以事实为导向的问题，每个问题都有简短且可验证的答案。EvalScope 从 ModelScope 加载该数据集的镜像版本（evalscope/browse_comp）。

任务描述

• 任务类型：搜索智能体的事实型问答
• 输入：具有挑战性的自然语言问题，通常需要持续的网页浏览才能解答
• 输出：解释、精确答案和置信度
• 评分方式：由大语言模型（LLM）裁判将最终答案与参考答案进行比对

主要特性

• 测试智能体的持久性、创造性搜索能力以及多跳证据收集能力
• 使用简短答案以简化评分过程
• 官方数据以加密 CSV 行的形式分发，并在评估时解密
• 被归类为智能体（Agent）基准测试，兼容 EvalScope 的智能体循环模式
• 默认支持单轮模型评估；当提供 TaskConfig.agent_config 时，也支持原生或外部智能体执行

评估说明

• 默认评估通过标准 EvalScope 数据集加载器从 ModelScope 加载 evalscope/browse_comp。
• 使用 TaskConfig.agent_config 可启用 EvalScope 智能体循环功能（如原生工具调用或外部智能体运行器）来评估 BrowseComp。
• 主要指标为 is_correct；同时也会报告 is_incorrect。
• 默认启用 LLM 裁判；若未启用，则回退到 JudgeStrategy.RULE，即归一化精确匹配。

属性

属性	值
基准测试名称	browsecomp
数据集 ID	evalscope/browse_comp
论文	Paper
标签	Agent, Knowledge, QA
指标	is_correct, is_incorrect
默认示例数	0-shot
评估划分	test

数据统计

指标	值
总样本数	1,266
提示词长度（平均）	811.02 字符
提示词长度（最小/最大）	424 / 2219 字符

样例示例

样例示例不可用。

提示模板

提示模板：

{question}

你的回答应采用以下格式：
Explanation: {{你对最终答案的解释}}
Exact Answer: {{你简洁明确的最终答案}}
Confidence: {{你对答案的置信度，介于 0% 到 100% 之间}}

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets browsecomp \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['browsecomp'],
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)