腾讯混元开源 LifeSearch：首个真实生活与复杂生产力 Deep Research 智能体基准，4500小时人图标注揭示顶尖模型最高仅 63.4%

核心背景与行业痛点

伴随 OpenAI Deep Research、Gemini Deep Research 以及各类自主网络检索智能体的兴起，AI 正在从单次问答交互演进为能够执行数十步多轮搜索、跨源事实交叉核验与长篇深度报告撰写的“深度研究智能体（DR Agents）”。然而，现存的智能体评测基准（如 GAIA、SWE-bench、Humanity's Last Exam）高度偏向于学术论文推导、竞赛编程或高度人工合成的问答任务，严重脱离了人类日常生活的真实决策需求。例如在制定多家庭跨境度假跨周期行程、对比复杂医疗保险条款、评估不同企业级 SaaS 采购方案等高价值生产力场景中，智能体极易被营销软文误导、对具体时效性信息（如机票改签退费规则、促销截止日期、精确货币换算）发生幻觉，缺乏权威客观的真实场景评测标尺。

架构亮点与底层机制

为填补这一空白，腾讯混元研发团队推出了首个专注于真实生活决策与复杂工作生产力的深度研究智能体基准——LifeSearch：

1. 真实用户种子驱动的 7 大高价值领域：涵盖旅行规划、个人财务理财、医疗健康决策、商品采购选型、教育职业发展、法律事务咨询及本地生活服务等 7 大关键维度，提炼出 203 个源自真实痛点的中英文双语高难度长程研究任务；
2. 4,500+ 小时专家深度标注与 4,000+ 细粒度评分规则：联合多领域行业专家累计投入超过 4500 小时进行严谨的数据对齐与验证，制定了逾 4000 条涵盖宏观与微观的多层级规则体系（Rubrics）。既评测宏观报告的结构完整性与论证逻辑，又对具体数值（如产品净重、价格门槛）、计量单位、生效日期及支撑引用的有效 URL 进行百分之百逐项硬约束校验；
3. 强人类一致性的统一评测 Harness：通过大量实验对比候选 LLM 评判机制与真实专家标注，确立了与人类专家排序高度吻合的评估配置，其 Spearman 秩相关系数达到 0.89，Kendall's tau 达到 0.81，确保评测结果具备极高信度。

权威 Benchmark 与实测跑分对比

研究团队在统一的评测环境中对全球 12 款领先的深度研究智能体进行了全面摸底测试，结果令人深思：

• 前沿天花板仅获 63.4%：即便在业界公认最强的代表性前沿智能体 GPT-5.6 Sol 上，其综合得分也仅达到 63.4%，表明在面对真实世界多约束混合决策时，智能体距离人类专家的可信水准依然存在巨大鸿沟；
• 具体指标验证惨遭滑铁卢：在宏观报告结构评分上，各主流模型均能达到 75% 以上，但在涉及“精确价格、具体退改签时限、有效且最新的官方证明链接”等微观硬指标评测中，多数智能体得分骤降至 40% 以下，暴露出严重的“看似完美，实则空洞”的表象智能缺陷；
• 长程深潜搜索陷入早停陷阱：分析表明，多数智能体在遭遇前几轮搜索引擎返回的矛盾信息时，往往过早停止探查，未能像人类专业研究员一样沿着交叉证据链追溯底层一手信源。

开发者实战落地与开箱指南

LifeSearch 相关的评估标准与框架已在腾讯混元官方生态开源（详见 https://github.com/Tencent-Hunyuan）：

• 智能体评测流水线集成：企业或独立开发者在研发自身深度搜索与研究智能体时，可将 LifeSearch 的 4000+ 条细粒度规则直接作为强化学习奖励模型（RLHF/RLVR）的验证准则；
• Prompt 与工具调用优化建议：在构建企业级深搜 Agent 时，应严格将“数值与日期溯源验证”设定为终止输出的前置检查点，强迫智能体对检索到的第三方第三方网页报价进行反向官方 URL 核验，以抑制商业幻觉；
• 多语言跨文化决策适配：LifeSearch 原生支持中英文双语真实语境，特别适合开发出海跨境电商调研、跨国出差商旅规划等场景的垂直智能体。