Deep Research 是部署最广的 Agent 形态，而它的评测有三大独特难点：长报告无唯一答案、检索全面性本身是能力、引用可能事后硬凑。BrowseComp 与 DeepResearch Bench（RACE+FACT 双尺）两条路线的拆解，直接给出一套四维评测清单。
先修：a29（工具调用评测）、a38（检索与事实性）。正在做或评测调研类、尽调类、研报类 Agent 的团队。手动做一次 FACT 式核查（抽 5 条结论验引用）是立竿见影的第一步。
先合上原文在心里作答，再点开对照。全对 = 本篇真正通关。
输出是长报告无唯一答案；过程是长时程多源检索，「找得全不全」本身是能力维度；引用可能事后硬凑——有引用不等于结论被支撑。
RACE 评报告质量（相对参考报告、动态标准、四维打分）；FACT 评引用可信度（有效引用数 + 引用准确率）。一份报告可以写得好但引用全是硬凑——合成总分会盖住病灶。
各 Agent 用不同搜索引擎时，比的是搜索基建而非研究能力。它给所有 Agent 统一的、人工验证过的语料库（含干扰负例），锁死变量后结论才可比。
上方为本站原创导读，下方为原文完整收录，便于对照阅读。
这是一篇加餐，起因是一类 Agent 在 2025–2026 迅速变成了部署最广的形态——深度研究型 Agent（Deep Research）。ChatGPT、Gemini、Perplexity 都上线了各自的 Deep Research：你给一个开放问题，它自己上网搜几十上百个来源、读、比对、推理，最后产出一份带引用的长报告。问题来了：这东西怎么评？
检索与事实性评测（faithfulness、groundedness、幻觉检测）的地基在这里依然成立，但远远不够。因为那面对的多是"单轮 RAG"：检索几段、生成一段答案。而深度研究 Agent 是长时程、多源、产出一整份报告——它带来了三个新难点。
难点一：输出是一份长报告，没有唯一正确答案。"钱退没退"是个可验证的 outcome，但"一份竞品调研报告写得好不好"没有标准答案——同一个问题，两份都优秀的报告可以写得很不一样。exact match 那套在这里直接失效。
难点二：过程是长时程、多源检索，"找得全不全"本身就是一种能力。一份好报告的前提，是它真的把该找的信息找到了。如果 Agent 只搜了前两条结果就开始写，报告再流畅也是空中楼阁。所以你不只要评"写得好不好"，还要评"检索得够不够全、够不够准"——这是一个独立的能力维度。
难点三：引用可能是"事后硬凑"的。这是最隐蔽、也最危险的一点。深度研究 Agent 的报告里往往挂满了引用链接，看起来很可信。但有引用 ≠ 结论真的被引用支撑——它完全可能先写好了一句话，再随便挂个看起来相关的链接上去。这正是 faithfulness 的问题，只不过在报告级被放大了几十倍：一份报告里几十条结论、上百个引用，逐条核对忠实度是个体力活，却不能不做。
第一条路线很聪明：绕开"报告质量"这个主观泥潭，专门出那些"答案唯一、但极难找到"的题。
代表作是 OpenAI 2025 年 4 月放出的 BrowseComp（browsing comprehension）：1266 道刁钻问题，每道都有一个唯一、简短、可验证的答案，但要答对，Agent 必须多跳浏览、持续推理——在一堆网页间反复跳转、交叉比对，才能把那个藏得很深的事实挖出来。评分方式简单粗暴：exact match，答案对就是对。
这条路线的好处，正是"verifiable beats judgeable"：它把评测变成了可客观验证的。数据也很能说明问题——OpenAI 自己的 Deep Research 在 BrowseComp 上约 51.5%，而普通模型接个搜索工具往往只有个位数。它精准地测出了"深挖信息"这个硬能力。
它的局限也同样明确：它只测"找到那个事实没有"，完全不管报告写得好不好、引用真不真。
这里还有一个你做业务评测时会撞上的坑，衍生版 BrowseComp-Plus 专门解决它：如果每个 Agent 用的搜索引擎、能访问的网页都不一样，那你比的到底是"Agent 的研究能力"还是"它背后搜索引擎的好坏"？没法比。BrowseComp-Plus 的办法是——给所有 Agent 一个固定、人工验证过的语料库（每道题都配好人工核实的支撑文档，还掺入精心挖来的"干扰负例"）。这样一来变量被锁死，你测的才是 Agent 本身。这个思路你要记住：评检索型 Agent 时，先想清楚"检索源统一了吗"，否则结论不可比。
第二条路线迎难而上，直接评那份长报告。代表作是 DeepResearch Bench（arXiv 2506.11763）：100 道博士级研究任务，覆盖 22 个领域、中英各 50 道，每道都由领域专家精心设计。它最值得你偷师的，是它用两把独立的尺子去量报告——正好对上"报告质量"和"引用忠实度"两件事。
第一把尺子 RACE——评报告质量。它先请专家写一份参考报告作标杆，然后针对每道题动态生成一套评判标准，再让 LLM 裁判从四个维度打分——全面性、洞察力、遵循指令、可读性——而且是相对参考报告来打，不是凭空打。这正是 reference-guided（参考引导）打分的高级形态：给裁判一个参考答案，它打分会稳得多。效果如何？RACE 与人类专家的成对判断一致率达 92.7%——说明"精心设计的 rubric + 参考报告"确实能让 LLM 裁判评长文也评得准。
第二把尺子 FACT——评引用可信度。它评两件事：有效引用数量（这份报告到底引了多少条真正有用的来源）和引用准确率（挂上去的引用，是否真的支撑了对应的结论）。它和人类判断的 Pearson 相关达 0.8。数据也很有意思：Perplexity 的 Deep Research 在引用准确率上最高（约 90.24%）；而 Gemini-2.5-Pro Deep Research 的有效引用数最多（平均约 111 条）——"引得多"和"引得准"是两回事，得分开量。
两把尺子分开量，是这一讲最该学习的方法论。一份报告可能写得花团锦簇（RACE 高）但引用全是硬凑的（FACT 低），也可能引用扎实但读起来枯燥。合成一个总分会把这两种病都盖住——多维度分开评、别过早合成。
假设你在做一个"竞品尽调 Agent"或"行业调研 Agent"。把上面两条路线揉进你的评测，落地成四个维度，缺一不可：
一、检索能力（找得全、找得准）。借 BrowseComp 的思路，自己造一批"答案唯一但难找"的题，用 exact match 客观判分——这是你能拿到的最可信的一类信号。记得先统一检索源，否则你只是在比搜索引擎。
二、报告质量（写得好不好）。借 RACE 的思路：为你的高频调研题各写一份参考报告当标杆，让裁判相对参考报告、按你定义的维度（全面性、结论有没有洞察、有没有答到点子上）打分。别让裁判裸评——裸评长文飘得厉害。
三、引用忠实度（引得真不真）。借 FACT 的思路——逐条把报告里的关键结论抽出来，找到它对应的引用，判断这条引用是否真的支撑这个结论。这一步适合级联：先用代码检查"引用链接是否有效、是否真被访问过"（便宜的一层），再用 LLM 裁判核"内容是否支撑"（贵的一层）。
四、成本与时延。深度研究烧 token 是出了名的——一次调研可能跑几十分钟、调几百次工具。同样质量下，一个便宜三倍的 Agent 就是更好的 Agent。别评完质量就收工，把成本和时延一起纳入决策。
上面两条路线，评的都是"你给一个问题、Agent 闷头做完给你报告"的一次性模式。但真实的深度研究往往是交互式的——Agent 做到一半会回头问你："你说的'竞品'是只算头部三家，还是含所有玩家？"这类追问用对了能大幅提升报告质量，用滥了则烦人又费钱。
针对这种模式，2026 出现了 IDRBench（交互式深度研究基准）这类工作。它多了一个专门的用户模拟器来陪测（思路和 τ-bench 让 LLM 扮用户一脉相承），并引入交互感知的指标——不只看最终报告质量，还看：追问得对不对（问的是不是真正关键、会改变研究方向的信息）、对齐用户意图没有、以及交互成本（别为了"显得严谨"没完没了地问）。如果你的研究型 Agent 会主动追问，评测就得多带一个维度：它问的问题，值不值它打断用户一次的成本？
最后敲一个警钟。深度研究 Agent 的评测里，LLM 裁判偏差会被显著放大。
为什么？因为输出是长报告。裁判有"长度偏差"（偏爱更长的回答）和"权威偏差"（被自信措辞、漂亮排版迷惑）——而一份洋洋洒洒、排版精美、挂满引用的深度研究报告，简直是把这两个偏差的按钮全按到底。一个啥都没查清、但写得花哨的报告，很容易骗过一个裸评的裁判拿高分。
对策还是那三招，只是在这里尤其不能省：用 reference-guided（相对参考报告打，RACE 的做法）压住裁判的自由发挥、用 rubric 把"实质内容"和"文采排版"拆成不同维度分开打、并定期用人工校准盯住裁判有没有被带偏。一句话：报告越漂亮，你越要冷静地问一句——它查得对吗、引得实吗？