OpenAI 开源智能体浏览器功能测试基准 BrowseComp，难度极高，GPT-4o 和 GPT-4.5 准确率接近于零，带浏览器功能的 GPT-4o 也仅 1.9%，而新发布的 Deep Research 准确率达 51.5%，在搜索、整合与校准方面表现出色。