KIBrowseComp
Prüft, ob ein Agent das Web hartnäckig durchsuchen kann, bis er schwer auffindbare, verflochtene Informationen findet.
Quellen geprüft am 20. Oktober 2026 · Redaktion: Philipp Paulik
Technische Einordnung
Der Benchmark von OpenAI umfasst 1.266 von Menschen erstellte Fragen, deren Antworten nur durch anhaltendes, kreatives Browsen über viele Websites zu finden sind. Die Antworten sind kurz und maschinell gegen Referenzantworten prüfbar. Menschliche Tester lösten 29,2 Prozent der Fragen; OpenAI Deep Research erreichte 51,5 Prozent.
Messgröße
Genauigkeit: Anteil richtig beantworteter Fragen (%), Bewertung durch ein Modell als Prüfer.
Grenzen & richtig lesen
Die Fragen sind nach dem Umkehrprinzip gebaut: Die Referenzantwort ist sicher richtig, aber weitere gültige Antworten sind nicht ausgeschlossen. Der Benchmark bildet keine echte Nutzeranfragen-Verteilung ab und misst bewusst nur die Kernfähigkeit des Findens. Die Bewertung übernimmt ein Sprachmodell, kein exakter Abgleich.
Benchmark-Belege
Für dieses Portrait ist noch kein ausreichend zugeordnetes Ergebnis erfasst. Fehlende Werte sind keine Null. Wir übernehmen keine Werte aus ähnlich benannten Modell- oder Benchmark-Versionen.