BrowseComp - AgentCompass Documentation

BrowseComp measures long-form web research on hard, browse-heavy questions and uses an LLM judge for answer grading.

运行时状态

字段	值
Benchmark id	`browsecomp`
Tags	`Deep Research`, `Web Browsing`, `Judge-Scored`
执行类型	local with judge
常用 harness	`researchharness or naive_search_agent`
常用 environment	`host_process`
当前状态	已在直接运行时注册

参数

常用参数包括：

category
answer_type
judge_model
sample_ids
max_concurrency

通用参数如 k、avgk、sample_ids、resume 和 category 遵循 Benchmark 参数的约定。

运行示例

agentcompass run \
  browsecomp \
  researchharness \
  your-model \
  --env <env-provider> \
  --benchmark-params '{"sample_ids":["<task-id>"]}' \
  --model-base-url "$MODEL_BASE_URL" \
  --model-api-key "$MODEL_API_KEY" \
  --model-api-protocol openai-chat

输出

单任务详情写入 results/browsecomp/<model>/<run>/details/，聚合结果写入同一运行目录下的 summary.md。

评测基准概览 BrowseComp-ZH

⌘I

​运行时状态

​参数

​运行示例

​输出

运行时状态

参数

运行示例

输出