ಕಳೆದ ವರ್ಷದಲ್ಲಿ, ಹುಡುಕಾಟ ಏಜೆಂಟ್ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ. ಬ್ರೌಸ್ಕಾಂಪ್ನ ವಿಮರ್ಶೆಯಲ್ಲಿ, ಉನ್ನತ ಮಾದರಿಯ ನಿಖರತೆಯ ದರವು ಆರಂಭಿಕ 30% ಶ್ರೇಣಿಯಿಂದ 90% ಕ್ಕಿಂತ ಹೆಚ್ಚು ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ.
BrowseComp ನ 题目由电影电影，ಇದೊಂದು ಮಿತಿಯೆಂದರೆ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಘಟಕಗಳು ಮತ್ತು ಗುರಿಯ ಸಂಬಂಧಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾತ್ರ ಇದನ್ನು ನಿರ್ಮಿಸಬಹುದು ಮತ್ತು ಜಾಗತಿಕ ಜ್ಞಾನ ಜಾಲದ ದೃಷ್ಟಿಕೋನದಿಂದ ಅದನ್ನು ನಿರ್ಣಯಿಸಲಾಗುವುದಿಲ್ಲ: ಯಾವ ಪರಿಸ್ಥಿತಿಗಳು ಹುಡುಕಲು ನಿಜವಾಗಿಯೂ ಕಷ್ಟ?能不可设计设计可以出题?
ಇತ್ತೀಚಿನ ಪತ್ರಿಕೆಯಲ್ಲಿ LongCat ತಂಡವು ಮುಂದಿಟ್ಟಿರುವ LoHoSearch ಮಾನದಂಡವು ಈ ಸಾಧ್ಯತೆಯನ್ನು ವಾಸ್ತವಕ್ಕೆ ತಿರುಗಿಸುವುದು.
- ಯಾಂತ್ರೀಕೃತಗೊಂಡ ರಚನೆಯ ಜ್ಞಾನ. 762万维基百科科学生语 ನ ಜ್ಞಾನ ನಕ್ಷೆಯನ್ನು ಆಧರಿಸಿ, ಇದು ಕೃತಕ ನಿರ್ಗಮನದ ಬದಲಿಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ 题目 ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
- ದ್ವಿಮುಖ ನಿಯಂತ್ರಣ. 在电视中电影电影电影电影与电影电影凘有基对有基对
- ಪ್ರಸ್ತುತ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ಕಾರ್ಯಕ್ಷಮತೆ. 已识明门表中，GPT-5.5 ನಿಖರ ದರವು 34.74% ಬ್ರೌಸ್ಕಾಂಪ್.
ಯಂತ್ರದ ಪ್ರಮೇಯವು ಯಂತ್ರವು ಜಾಗತಿಕ ದೃಷ್ಟಿಯನ್ನು ಹೊಂದಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಸಂಪೂರ್ಣ ನಿರ್ಮಾಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಾಲ್ಕು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು建图 → ನಿಯಂತ್ರಣ 难度 → ಗುಣಮಟ್ಟ 把关 → ಡೇಟಾ ಅವಲೋಕನ。 电影逐一电影。
LoHoSearch ನ ಮೊದಲ ಹೆಜ್ಜೆ ಸಂಪೂರ್ಣ ಇಂಗ್ಲಿಷ್ ಭಾಷೆಯಿಂದ.
- 762 ವಸ್ತುಗಳು
- 2.65 ಶತಕೋಟಿ
- ಪ್ರತಿಯೊಂದು ಘಟಕದ ಪ್ರಕಾರವನ್ನು ವಿಕಿಡೇಟಾ P31 ವರ್ಗದಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ
ಈ 张图谱 ಜಾಗತಿಕ ದೃಷ್ಟಿಕೋನದಲ್ಲಿ “难题” ನ ನಂತರದ ಆಯ್ಕೆಗೆ ಆಧಾರವನ್ನು ಒದಗಿಸುತ್ತದೆ.
欢过图谱名店，ಮುಂದಿನ ಪ್ರಶ್ನೆ: ಯಾವ ರೀತಿಯ ಶೀರ್ಷಿಕೆ 题目才算”难”？LoHoSearch
ಹುಡುಕಾಟದ ತಿರುಳನ್ನು ಎರಡು ಆಯಾಮಗಳಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ ಕೃತಕವಾಗಿ ಉತ್ಪತ್ತಿಯಾಗುತ್ತದೆ.
- ಹುಡುಕಾಟ ಜಾಗ：可以一个安全的候电影头多有多小.候团足多，在线设计超高。
- ಸಂಕೀರ್ಣ ರಚನೆ：要要要下载代要多多实体可以可以可以电影答案。 ಸ್ಥಿತಿಯು ಹೆಚ್ಚು, ಅದು ಹೆಚ್ಚು ಬಿಗಿಯಾಗಿರುತ್ತದೆ, ಅದು ಹೆಚ್ಚು ಬಿಗಿಯಾಗಿರುತ್ತದೆ, ಅದು ಹೆಚ್ಚು ಉದ್ದವಾಗಿದೆ.
ಈ ಎರಡು ಪದರಗಳಿಗಾಗಿ, LoHoSearch ಎರಡು ಉಪ-ಕಥಾವಸ್ತು ರಚನೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದೆ:
- 树 ರಚನೆಮುಖ್ಯವಾಗಿ “ಹುಡುಕಾಟ ಜಾಗವನ್ನು” ವಿಸ್ತರಿಸುವ ಮೂಲಕ ತೊಂದರೆಯನ್ನು ರಚಿಸಲಾಗಿದೆ.
- ರಚನಾತ್ಮಕ ರೇಖಾಚಿತ್ರ则在安全电影电影下载，ಉಂಗುರದ ಆಕಾರದ ಅವಲಂಬನೆ ಮತ್ತು ಅಡ್ಡ-ನಿರ್ಬಂಧಗಳನ್ನು ಪರಿಚಯಿಸುವ ಮೂಲಕ，ಮುಂದೆ 占加一学占加亄廦杀ಉಂಗುರ-ಆಕಾರದ ಅವಲಂಬನೆ ಮತ್ತು ಅಡ್ಡ-ಆಕಾರದ ಅವಲಂಬನೆಯನ್ನು ಪರಿಚಯಿಸುವುದು
子图 ಮಾದರಿ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ಅದನ್ನು ಓದಬಹುದಾದ ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪ್ರಶ್ನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಅಗತ್ಯವಿದೆ.
- 题目 电影：从子图抽时维基 ವಿವರಣೆ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಮಸ್ಯೆ ಎಂದು ಪುನಃ ಬರೆಯಲಾಗಿದೆ.
- ಸ್ವಯಂಚಾಲಿತ ಪರಿಶೀಲನೆ：新视题问题可以下载图片子图全线，今由电影电影体数据标准答案案案案成
- ಫಿಲ್ಟರ್ ಮತ್ತು ವಿಮರ್ಶೆ：多答案题和易答题，再由电影电影。
ಮೂರು ಪದರಗಳ ಸ್ಕ್ರೀನಿಂಗ್ ನಂತರ, ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಪ್ರಕ್ರಿಯೆಯ ಒಟ್ಟಾರೆ ಗುಣಮಟ್ಟವನ್ನು ಈ ಕೆಳಗಿನಂತೆ ತೋರಿಸಲಾಗಿದೆ: 75.5% ಪ್ರಶ್ನೆಗಳನ್ನು ನೇರವಾಗಿ ಜನರು ರವಾನಿಸುತ್ತಾರೆ2. ಕೇವಲ 2.2% ಜನರು ಗಂಭೀರ ಸಮಸ್ಯೆಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ.
LoHoSearch 电影时间 544 ರಸ್ತೆ ಮರದ ರಚನೆ ಮತ್ತು ನಕ್ಷೆಯ ರಚನೆಯನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ, ನಕ್ಷೆಯ ರಚನೆಯು ನಿಸ್ಸಂಶಯವಾಗಿ ಹೆಚ್ಚು ದಟ್ಟವಾಗಿರುತ್ತದೆ–ಹೆಚ್ಚು ನೋಡ್ಗಳು ಮತ್ತು ಅಂಚುಗಳ ಸಂಖ್ಯೆಯು ಹಿಂದಿನದಕ್ಕಿಂತ ಎರಡು ಪಟ್ಟು ಹೆಚ್ಚಾಗಿರುತ್ತದೆ, ಇದು ಅದರ ಹೆಚ್ಚಿನ ರಚನಾತ್ಮಕ ಸಂಕೀರ್ಣತೆಗೆ ಅನುರೂಪವಾಗಿದೆ.
ಅತ್ಯಧಿಕ ನಿಖರತೆಯ ಮಾದರಿ GPT-5.5 ಕೇವಲ 34.74%, DeepSeek-V4-Pro、Claude-Opus-4.6 ಮತ್ತು Kimi-K2.6 15.53%–15.99% ನಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿವೆ, ಉಳಿದ ಮಾದರಿಗಳು 14% ಕ್ಕಿಂತ ಕಡಿಮೆ. ಇದು ಮತ್ತು ಇವೆಲ್ಲವೂ ಬ್ರೌಸ್ಕಾಂಪ್ನಲ್ಲಿ 80% ಕ್ಕಿಂತ ಹೆಚ್ಚಿವೆ.
用DeepSeek-V4-Flash ಎರಡು ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ಮಾನದಂಡವಾಗಿದೆ: BrowseComp ಜೊತೆಗೆ ಅದೇ ಮಾದರಿ 上accuracy rate 58.84%, LoHoSearch% 一model在
解一道 LoHoSearch 题目，名京安全设计从35次增至61次(+74%), 中位数从29臬次。图结 ಮಾತ್ರ ನಿಖರತೆಯ ದರ 8.01%, ಮರದ ರಚನೆಯ 11.89% ಗಿಂತ ತುಂಬಾ ಕಡಿಮೆ, 印证了 ರಚನಾತ್ಮಕ ಸಂಕೀರ್ಣತೆ ಸ್ವತಂತ್ರವಾಗಿದೆ
对DeepSeek-V4-Flash 16 ಸ್ವತಂತ್ರ ಉತ್ತರಗಳನ್ನು ಸ್ಯಾಂಪಲ್ ಮಾಡಿದೆ, ಫಲಿತಾಂಶಗಳನ್ನು ಚಿತ್ರ 5 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
pass@N 从 N=1 的 9.3% 升至 N=16 的 38.3%, ಪುನರಾವರ್ತಿತ ಮಾದರಿ ಆದಾಯವನ್ನು ಕಾಣಬಹುದು，但 38.3% 仲处低佯蕂时16.次面有六成上题目不是攻克。 ಮೂರು ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯ ಕಾರ್ಯತಂತ್ರಗಳಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾದ N ಪ್ರದರ್ಶನವು ಅತ್ಯುತ್ತಮವಾಗಿದೆ (24.6% (．6远作．6远中上上远作．6远中上远作．远中上远作．远中上远作．远中上上 ತಂತ್ರಗಳು ಮೂರು ಅತ್ಯುತ್ತಮ ಕಾರ್ಯತಂತ್ರಗಳ ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ
ರಿಯಾಕ್ಟ್ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ, ಸಾರಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ತ್ಯಜಿಸಿ-ಎರಡು ತಂತ್ರಗಳನ್ನು ಮತ್ತು ವೆರಿಫೈ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಸೇರಿಸಿ.
ಸಂಯೋಜನೆಯ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ (ಡಿಸ್ಕಾರ್ಡ್-ಎಲ್ಲಾ + ಪರಿಶೀಲಿಸಿ) ಸ್ಕೋರ್ ಅನ್ನು 10.02% ರಿಂದ 16.82% ಗೆ ಹೆಚ್ಚಿಸುತ್ತದೆ, ಕೇವಲ 6.8 ಶೇಕಡಾವಾರು ಅಂಕಗಳ ಸಂಪೂರ್ಣ ಸುಧಾರಣೆಯಾಗಿದೆ, ಆದರೆ ಬ್ರೌಸ್ಕಾಂಪ್ನಲ್ಲಿನ ಅದೇ ತಂತ್ರಗಳು 14 ಶೇಕಡಾವಾರು ಪಾಯಿಂಟ್ಗಳನ್ನು ಲಾಭವನ್ನು ತರಬಹುದು. ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳು ಹೆಚ್ಚು ದೀರ್ಘಾವಧಿಯಾಗಿರಬೇಕು.
ಎರಡು ಮಾನದಂಡಗಳನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ “ಗುಪ್ತ ಘಟಕಗಳ” ಗುಣಲಕ್ಷಣಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು:
其一，ಬ್ರೌಸ್ಕಾಂಪ್ನ ಗುಪ್ತ ಘಟಕದ ಜನಪ್ರಿಯತೆಯು ನಿಸ್ಸಂಶಯವಾಗಿ ಹೆಚ್ಚಾಗಿದೆ，剧情出题 ಇದು ಘಟಕದ ಜನಪ್ರಿಯತೆಯನ್ನು ನಿಖರವಾಗಿ ನಿಯಂತ್ರಿಸಲು ಕಷ್ಟ, 傮掞 ಗೆ ಕಾರಣವಾಗುತ್ತದೆ
其二，ಜನಪ್ರಿಯತೆಯನ್ನು ಅದೇ ಮಟ್ಟದಲ್ಲಿ ನಿಯಂತ್ರಿಸಲಾಗಿದ್ದರೂ ಸಹ, ಹುಡುಕಾಟ ಸ್ಥಳದೊಂದಿಗೆ LoHoSearch ನ ಸಂಬಂಧವು ಇನ್ನೂ ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ಘಟಕವು BrowseComp ಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ.
ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವ್ಯವಸ್ಥೆಯ ಮಿತಿಗಳ ಕೃತಕ ನಿರ್ಮಾಣವನ್ನು ವಿವರಿಸುತ್ತದೆ, ವ್ಯವಸ್ಥೆಯ ಜ್ಞಾನವು ಹೆಚ್ಚಿನ ತೊಂದರೆಗಳ ರಚನೆಯ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.
LoHoSearch ಮೌಲ್ಯಗಳು
- ಜ್ಞಾನ ನಕ್ಷೆಯ ವರ್ಣಪಟಲದ ಆಧಾರದ ಮೇಲೆ ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಮಾಣ ಪ್ರಕ್ರಿಯೆ. ಇದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ 7.62 ಮಿಲಿಯನ್ ಘಟಕಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಜ್ಞಾನ ನಕ್ಷೆಯ ಆಧಾರದ ಮೇಲೆ ಪ್ರಶ್ನೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಸಿಸ್ಟಮ್ ಹುಡುಕಾಟ ಸ್ಥಳ ಮತ್ತು ರಚನೆಯ ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ ಮತ್ತು ಕೃತಕ ಹೊರತೆಗೆಯುವಿಕೆಯ ತೊಂದರೆಯ ಮೇಲಿನ ಮಿತಿಯನ್ನು ಮೀರಿದೆ.
- ಹೆಚ್ಚು ವಿವರವಾದ ಮೌಲ್ಯಮಾಪನ ಮಾನದಂಡಗಳು. GPT-5.5 ನ ಅತ್ಯಂತ ನಿಖರವಾದ ಮಾದರಿಯು ಕೇವಲ 34.74% ಆಗಿದೆ, ಉಪಕರಣದ ಅಗತ್ಯವಿರುವ ಟ್ರ್ಯಾಕ್ನ ನಿಖರತೆ, ಕರೆಗಳ ಸಂಖ್ಯೆ 1.7 ಪಟ್ಟು.
- ಸಂದರ್ಭ ನಿರ್ವಹಣೆ ಸಂಶೋಧನೆಯ ಸವಾಲಿನ ವೇದಿಕೆಯನ್ನು ಎದುರಿಸುತ್ತಿದೆ. ಅತ್ಯುತ್ತಮ ಕಾರ್ಯತಂತ್ರವು ಕೇವಲ 6.8% ಹೆಚ್ಚಳವನ್ನು ತಂದಿತು, ಇದು BrowseComp ನ 14.03% ಹೆಚ್ಚಳಕ್ಕಿಂತ ಕಡಿಮೆಯಾಗಿದೆ, ಇದು LoHoSearch ಸುಧಾರಿತ ತಂತ್ರಜ್ಞಾನ ನಿರ್ವಹಣೆಯ ಪ್ರಚಾರಕ್ಕಾಗಿ ಆದರ್ಶ ಪರೀಕ್ಷಾ ಮೈದಾನವಾಗಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
LoHoSearch 已全全开源，ಸ್ವಾಗತ 含大model前来小是”长程电影”大考。
