AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
BrowseComp-zh
A high-difficulty benchmark purpose-built to comprehensively evaluate LLM agents on the Chinese web, consisting of 289 multi-hop questions spanning 11 diverse domains including Film & TV, Technology, Medicine, and History. Questions are reverse-engineered from short, objective, and easily verifiable answers, requiring sophisticated reasoning and information reconciliation beyond basic retrieval. The benchmark addresses linguistic, infrastructural, and censorship-related complexities in Chinese web environments.
评测信息与证据
- 来源
- LLM Stats
- 发布者
- 未收录
- 评测发布日期
- 未收录
- 采集日期
- 2026-08-17
- 模态
- text
本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。
原始资料
报告成绩 13
按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| Qwen3.5-397B-A17B | 0.703 | 未收录 | 未收录 | 2026-02-16 · model_announcement | LLM Stats |
| Qwen3.5-122B-A10B | 0.699 | 未收录 | 未收录 | 2026-02-24 · model_announcement | LLM Stats |
| Qwen3.5-35B-A3B | 0.695 | 未收录 | 未收录 | 2026-02-24 · model_announcement | LLM Stats |
| LongCat-Flash-Thinking-2601 | 0.69 | 未收录 | 未收录 | 2026-01-14 · model_announcement | LLM Stats |
| GLM-4.7 | 0.666 | 未收录 | 未收录 | 2025-12-22 · model_announcement | LLM Stats |
| DeepSeek-V3.2 (Thinking) | 0.65 | 未收录 | 未收录 | 2025-12-01 · model_announcement | LLM Stats |
| DeepSeek-V3.2 | 0.65 | 未收录 | 未收录 | 2025-12-01 · model_announcement | LLM Stats |
| Kimi K2-Thinking-0905 | 0.623 | 未收录 | 未收录 | 2025-09-05 · model_announcement | LLM Stats |
| Qwen3.5-27B | 0.621 | 未收录 | 未收录 | 2026-02-24 · model_announcement | LLM Stats |
| DeepSeek-V3.1 | 0.492 | 未收录 | 未收录 | 2025-01-10 · model_announcement | LLM Stats |
| MiniMax M2 | 0.485 | 未收录 | 未收录 | 2025-10-27 · model_announcement | LLM Stats |
| DeepSeek-V3.2-Exp | 0.479 | 未收录 | 未收录 | 2025-09-29 · model_announcement | LLM Stats |
| DeepSeek-R1-0528 | 0.357 | 未收录 | 未收录 | 2025-05-28 · model_announcement | LLM Stats |