LoHoSearch - 美团推出的下一代搜索智能体评测基准

LoHoSearch是搜索智能体评测基准，依托知识图谱自动生成多领域题目，通过控制搜索空间与结构复杂度制造高难度挑战，为长程推理能力提供未饱和的区分标准。

LoHoSearch是什么

该基准由技术团队推出，基于覆盖762万维基百科实体、2.65亿条关系边的知识图谱自动生成题目，收录544道经人工核验的高质量题目，覆盖音乐、影视、地理等11个领域。当前最强模型GPT-5.5准确率仅34.74%，远低于其在BrowseComp上的表现，为长程搜索推理与上下文管理提供更具区分度的评测标准。

LoHoSearch的主要功能

1. 知识图谱自动化建图：以完整英文维基百科为数据源，构建包含762万实体节点与2.65亿条有向边的超大规模知识图谱，为每个实体标注Wikidata类型与入度热度，从而为全局视角选题提供基础。
2. 双维度难度控制：从搜索空间与结构复杂度两个维度系统调控题目难度，突破人工出题的认知天花板。
3. 树结构与图结构采样：树结构通过放大搜索空间制造难度，图结构则在巨大搜索空间之上引入环形依赖与交叉约束，进一步叠加结构复杂度。
4. 自动化QA生成与验证：从子图抽取维基描述改写为自然语言题目，经关系提取、子图覆盖检查、答案满足度验证三层自动筛选，再辅以人工复核确保质量。
5. 多模型性能评测：支持对主流搜索智能体进行标准化评测，输出准确率、工具调用次数、校准误差等核心指标，直观反映模型长程推理能力。

LoHoSearch的技术原理

1. 知识图谱自动化构建：以完整英文维基百科为数据源，抽取762万个实体页面作为节点，提取正文内2.65亿条超链接作为有向边，为每个实体标注Wikidata P31类型与入度热度，构建全局知识网络。
2. 双维度难度定义：从搜索空间和结构复杂度两个正交维度量化题目难度，突破人工出题的认知局限。
3. 树结构子图采样：通过放大搜索空间制造难度，从单一答案节点向下展开多条独立分支，每条分支对应一个高候选空间的约束条件，使排除成本指数级上升。
4. 图结构子图采样：在巨大搜索空间基础上引入环形依赖与交叉约束，多个条件节点彼此interconnected，求解需同时满足多组咬合关系，叠加结构复杂度形成双重挑战。
5. 关系提取与自然语言生成：从采样子图中抽取各实体的维基百科描述，用大模型改写为连贯的自然语言问题，确保每个线索完整保留原始子图中的关系信息。

如何使用LoHoSearch

1. 加载数据：通过datasets库直接加载meituan-longcat/LoHoSearch，获取544道题目与标准答案。
2. 查看结构：数据集包含题目文本、对应子图结构、领域标签及经知识图谱校验的唯一答案。
3. 接入评测：将题目输入待测搜索智能体，记录其推理轨迹与最终输出。
4. 自动判分：对照数据集提供的标准答案，验证模型输出是否满足全部约束条件并统计准确率。
5. 对比分析：用数据集附带的子图复杂度与领域标签，分维度分析模型在不同难度与主题下的表现。

LoHoSearch的核心优势

1. 突破人工出题天花板：传统人工基准受限于标注者已知实体范围，LoHoSearch依托全局知识图谱，能系统识别高搜索空间与高结构复杂度的真难题。
2. 难度显著高于现有基准：同一模型在BrowseComp上准确率58.84%，在LoHoSearch上仅10.02%，平均工具调用从35次增至61次，挑战强度提升74%。
3. 区分度更强：现有上下文管理策略在BrowseComp上提升14.03%，在LoHoSearch上仅提升6.8%，更能真实反映策略在长程复杂场景下的边际效益。
4. 结构复杂度独立可控：图结构题目准确率（8.01%）显著低于树结构（11.89%），证明结构复杂度是独立于搜索空间之外的额外难度来源，可被单独量化。

LoHoSearch的项目地址

1. arXiv技术论文：https://arxiv.org/pdf/2606.12837

LoHoSearch的同类竞品对比

LoHoSearch的应用场景

1. 搜索智能体能力评测：为具备长程推理能力的搜索Agent提供高难度标准化测试，精准定位模型在复杂信息检索链条中的短板。
2. 上下文管理策略验证：评估Summary、Discard-all、Verify等上下文压缩与验证策略在超长交互场景下的真实增益，避免在简单基准上高估策略效果。
3. 模型迭代对标：为研究团队提供未饱和的评测标准，支撑模型版本迭代时的能力边界探测与性能对比。
4. 搜索算法研究：为需要多步推理、交叉验证的复杂搜索算法研究提供可控难度的数据集与评测框架。
5. 智能体产品选型：帮助企业在选型搜索智能体方案时，通过LoHoSearch区分不同模型在真实复杂查询场景下的实际表现。