考试里人人都接近满分时，很难判断谁真的更强。搜索智能体——会自己拆题、查网页、追线索并综合证据的 AI——正遇到这个问题：据美团技术团队介绍，顶尖模型在 BrowseComp 上已从约三成升至九成以上，旧题越来越拉不开差距。
LoHoSearch 的新意，是用知识图谱来出题。知识图谱把人物、作品、地点等连成关系网络；系统可据候选实体数量和关系结构，分别控制“要排查多少对象”与“要同时满足多少条件”。团队从覆盖 762 万个维基百科实体、2.65 亿条有向边的图谱生成题目，经自动验证和人工复核后留下 544 道，覆盖 11 个领域。
一个直观结果是：同一 DeepSeek-V4-Flash 解题时，平均工具调用从 BrowseComp 的 35 次增至 LoHoSearch 的 61 次，准确率则从 58.84% 降至 10.02%。这说明它测到的不只是“能否搜到”，还有长链搜索中能否保存和组织线索。不过这些结果目前来自团队自述；LoHoSearch 更重要的价值，是让题目难度有明确刻度，方便判断进步究竟发生在哪里。