BrowseComp 网页浏览任务 — GPT-5.6 Sol 92.2% 创下 SOTA
BrowseComp 是什么
BrowseComp 是一项衡量 AI 智能体在真实网页上执行任务的基准测试。它模拟真实的知识型工作者：
- 打开浏览器访问指定网站
- 根据任务描述搜索和导航
- 理解页面内容
- 提取和整合信息
- 返回结构化结果
任务类型覆盖：事实查询、比较分析、价格调研、信息聚合、多源交叉验证等。
GPT-5.6 成绩
| 模型 | 配置 | 准确率 |
|---|---|---|
| GPT-5.6 Sol + ultra | 4 智能体 | 92.2% |
| GPT-5.6 Sol + max | 单智能体 | 约 85% |
| GPT-5.5 旗舰 | max 档位 | 约 72% |
| Claude Fable 5 | 自适应推理 | 约 80% |
92.2% 是 BrowseComp 历史最高分。
为什么 ultra 效果显著
网页浏览任务天然适合并行处理：
- 不同子智能体可以同时打开不同页面
- Critic 可以交叉验证提取的信息（防止来自单页的错误信息）
- Planner 可以在发现某个路径不通时快速切换策略
单智能体模式下，模型需要在单个浏览会话中依次完成所有步骤，容易被早期页面锁定方向。多智能体并行让它能同时探索多条路径，最终汇总最优结果。
关键能力
GPT-5.6 在 BrowseComp 上的领先主要来自：
更长链条的信息整合
- 跨多个页面追踪同一个话题
- 从不同来源交叉验证数据准确性
- 处理"先查 A 网站得到 X，再查 B 网站得到 Y，然后 X + Y = Z"的多步推理
更准确的页面理解
- 更好地区分页面的主体内容和导航/广告
- 理解动态加载内容（JavaScript 渲染的 SPA）
- 不被无关链接诱惑，专注于目标信息
更高效的导航策略
- 减少无效页面访问
- 更快地定位到目标内容
- 自主决定何时"已经有足够信息可以回答"
典型使用场景
市场调研
"对比 2026 年第三季度三家云计算厂商（AWS、GCP、Azure）的 GPU 实例价格，包含 A100、H100、L40S 三种型号。"
GPT-5.6 Sol 可以并行浏览三个厂商的定价页面，提取表格数据，交叉验证后整理成对比表格。
技术选型参考
"查一下 React 19、Vue 4、Svelte 5 各自的最新稳定版日期、官方推荐状态、社区活跃度、与 TypeScript 的集成度。"
学术/研究辅助
"找到 2025-2026 年间关于 RAG 系统的 Top 10 论文，按 Google Scholar 引用数排序，给出每篇的核心贡献摘要。"
工具实现
在 ChatGPT Work 和 ChatGPT 桌面应用中，BrowseComp 级别的浏览能力是内置的。API 层面可以通过 Responses API 的 web_search 和 browser 工具实现。
与 OSWorld 的关系
BrowseComp 衡量网页浏览，OSWorld 衡量桌面操作。两者互补：
| 基准 | 环境 | 关键能力 | GPT-5.6 Sol 成绩 |
|---|---|---|---|
| BrowseComp | 浏览器 | 搜索、导航、信息提取 | 92.2% |
| OSWorld 2.0 | 完整桌面 | 窗口管理、多应用切换、复杂操作 | 62.6% |