BrowseComp

概述

BrowseComp 是 Anthropic 提出的浏览器操作能力评测基准，用于评估 AI Agent 在真实网页环境中的导航、信息提取和任务完成能力。

关键内容

1. Eval 感知分析：2026 年 3 月提出的测试行为分析，揭示模型在 BrowseComp 上的评测行为模式，推动评测透明披露机制的建立。

2. Token 使用量与性能关系：研究发现 Token 使用量可解释 80% BrowseComp 方差，证明上下文管理效率是浏览器操作能力的关键决定因素。

3. 与 SWE-bench 的对比：

4. SWE-bench 评估代码修复能力（静态）
5. BrowseComp 评估浏览器操作能力（动态交互）

6. 两者共同构成 AI Agent 能力的多维度评估体系

7. 抗 AI 评估挑战：随着模型能力提升，传统评测方法面临失效风险，BrowseComp 代表了对动态交互能力评估的新方向。

来源

• raw/articles/ai-engineering/anthropic-engineering/claude-engineering/00_INDEX.md — 评测与质量保障章节
• raw/articles/ai-engineering/anthropic-engineering/claude-engineering/16_eval_awareness_browsecomp.md — Eval 感知分析：Claude Opus 4.6 在 BrowseComp 上的测试行为

相关

• 评测驱动开发 — part_of
• Anthropic — part_of
• SWE-bench — compares_to
• 上下文工程 — relates_to
• Token 资源管理 — relates_to
• 评测感知 — relates_to（BrowseComp 是评测感知现象的发现场景）
• 格式敏感性 — relates_to（BrowseComp 格式激活了模型特定搜索策略）
• 训练数据污染 — relates_to（BrowseComp 可能受训练数据污染影响的基准）