组会 | 2025-11-03

A Realistic and Expert-level Benchmark for Deep Search Agents in Hierarchical Rule Application

研究提出了HSCodeComp–首个面向复杂层级规则应用的现实电商任务基准，用于系统性评估智能体在多跳推理与专业规则理解方面的能力，揭示当前最先进模型在该任务上的显著性能缺陷。