Hugging Face发布LifeSearch：革新真实世界生活与生产力任务的深度研究智能体基准测试

摘要：Hugging Face推出LifeSearch，这是一套针对真实世界生活与生产力场景的深度研究智能体基准测试，包含203项中英文任务，涵盖7个具体领域。该基准通过超过4500小时的人工标注，构建了4000多个细粒度的评估标准，从内容覆盖度、准确性到具体数值、日期、URL等细节均有覆盖。实验表明，即使是最先进的GPT-5.6 Sol智能体，在该基准测试中的得分也仅为63.4%，凸显了真实场景中DR智能体的改进空间。LifeSearch为推进智能体在现实世界任务中的应用提供了严谨的评估框架。

---

1. 背景与挑战

深度研究（DR）智能体通过多步骤推理、长时间跨度的网络搜索和证据综合来解决开放性信息需求。然而，现有的基准测试主要集中于学术研究或合成任务，对现实世界中生活与生产力场景的评估不足。这导致智能体在处理真实用户需求时表现不佳，难以满足实际应用的需求。

2. LifeSearch的创新点

Hugging Face推出的LifeSearch基准测试通过以下方式填补了这一空白：

• 任务来源真实：203项任务均源自真实用户的查询种子，涵盖日常生活、健康、金融、教育等7个具体领域。
• 细粒度评估标准：超过4500小时的人工标注构建了4000多个专家编写的评估标准，涵盖内容覆盖度、准确性以及具体数值、日期、URL等细节。
• 多语言支持：任务以中英文两种语言呈现，评估智能体在不同语言环境下的表现。

3. 实验与结果

在LifeSearch基准测试中，12个先进的DR智能体接受了评估，结果显示：

• 性能差距明显：即使是表现最好的GPT-5.6 Sol智能体，其得分也仅为63.4%，表明在现实场景中，智能体的表现仍有很大的提升空间。
• 失败模式分析：通过系统化的实验，研究团队分析了智能体在不同任务中的失败模式，发现主要问题集中在信息整合、推理深度和细节处理方面。

4. 评估框架的可靠性

为了验证LifeSearch评估框架的可靠性，研究团队将候选LLM评委与人工评分进行了对比，结果显示两者之间存在高度一致性（Spearman's ρ=0.89，Kendall's τ=0.81）。这表明LifeSearch能够提供与人类判断高度一致的评估结果，为智能体在现实世界任务中的表现提供了可靠的评估标准。

5. 未来展望

LifeSearch为推进DR智能体在现实世界中的应用提供了严谨的评估框架和基础。研究团队希望该基准测试能够激发更多关于智能体在真实场景中应用的研究，并推动智能体技术的进一步发展。

---

消息来源：Hugging Face Daily Papers (2026-10-13)

—— 完 ——

主题标签： #Hugging Face 关注 #深度研究智能体 关注 #基准测试 关注 #多语言 关注 #AI评估 关注