网页搜索智能体评测不再只看答案：保留真实轨迹，把错误节点连回答错的答案组
长程网页搜索智能体的评测此前多依赖模拟轨迹，或从最终答案反推轨迹，难以检查搜索过程本身。LongSearchEval 让 16 个模型在统一的智能体控制器和五个受限网页工具下真实执行 100 个任务，保留 1600 条轨迹，先用智能体自己引用的网页核验答案组，再把被标记的失败节点连回判错的答案组。人工复核中，946 个答案组的自动判定与人工一致率为 94.50%，抽样的 317 条轮次—答案组链接有 311 条通过特征对应核查。