deep-research 专用评测数据集

Deep Research自2025年2月初由OpenAI推出后迅速引发全球关注，其通过端到端强化学习技术实现多步骤研究任务自动化，能在数十分钟内生成分析师水平报告，效率远超人类（耗时从30分钟到30天不等），被学者评价为“堪比优秀博士生助理”。该功能不仅吸引Pro用户付费订阅，还促使谷歌、xAI等企业加速推出竞品（如Gemini和Grok 3），形成技术竞争热潮

。学术界对其颠覆性潜力反应强烈，宾夕法尼亚大学、多伦多大学等学者称赞其在论文撰写、数据整合等场景的实用性，甚至认为可支持B级期刊快速发文。开发者社区也积极复现该技术，涌现出基于DeepSeek R1等开源模型的本地部署方案。实测案例显示，其在爬取论文作者信息、医学研究等复杂任务中表现优于传统工具，同时引发教育、科研领域对AI替代人类研究能力的广泛讨论。

迄今为止，github上，有20+个复现deep-research的开源项目。

名称	项目名	star	链接	备注
theworldofagents	Agentic-Reasoning	158	https://github.com/theworldofagents/Agentic-Reasoning
HKUDS	Auto-Deep-Research	299	https://github.com/HKUDS/Auto-Deep-Research	香港大学开源的。虽然star少，但是效果很不错。对应的评测比较完整，有论文
Cognio-so	deep-research	0	https://github.com/Cognio-so/deep-research
dzhng	deep-research	12.8k	https://github.com/dzhng/deep-research	作为复现deep-research的开源项目，star最多，但是实际上逻辑非常简单！
mingdaoai	deep-research	0	https://github.com/mingdaoai/deep-research
ssdeanx （和 dzhng是一个）	deep-research-mcp-server	-	https://github.com/ssdeanx/deep-research-mcp-server
epuerta9	deep-research-py	-	https://github.com/epuerta9/deep-research-py
AnotiaWang	deep-research-web-ui	986	https://github.com/AnotiaWang/deep-research-web-ui	web前端ui界面搭建
zilliztech	deep-searcher	902	https://github.com/zilliztech/deep-searcher
omni-georgio	deep_research-	125	https://github.com/omni-georgio/deep_research-	很简单，就一个文件
HarshJ23	Deeper-Seeker		https://github.com/HarshJ23/Deeper-Seeker	很简单，就一个文件
assafelovic	gpt-researcher	19k	https://github.com/assafelovic/gpt-researcher	作为多智能体框架，开源时间较早
jina-ai	node-DeepResearch	2.5k	https://github.com/jina-ai/node-DeepResearch
langchain-ai	ollama-deep-researcher	2.4k	https://github.com/langchain-ai/ollama-deep-researcher
btahir （nickscamara）有改造	open-deep-research	-	https://github.com/btahir/open-deep-research	重复
fdarkaou （AnotiaWang）	open-deep-research	-	https://github.com/btahir/open-deep-research	重复
nickscamara	open-deep-research	4.4k	https://github.com/nickscamara/open-deep-research
langchain-ai	open_deep_research	1.1k	https://github.com/langchain-ai/open_deep_research
mshumer	OpenDeepResearcher	2.2k	https://github.com/mshumer/OpenDeepResearcher
HF huggingface	smolagents		https://github.com/huggingface/smolagents
grapeot	deep_research_agent	62	https://github.com/grapeot/deep_research_agent
LearningCircuit	local-deep-research	85	https://github.com/LearningCircuit/local-deep-research
kaymen99	local-rag-researcher-deepseek	34	https://github.com/kaymen99/local-rag-researcher-deepseek

如何评测其效果，就要用到寻找专业、公认的测试数据集。本文结合最近看的，分享三个反响大的数据集。以及对应的资料。

一、“人类的最后考试”（Humanity's Last Exam）

数据集内容：

该测试包含 2,700 道题，涉及数十个学科，包括数学、人文科学和自然科学。HLE 由全球学科专家开发，包含适合自动评分的多项选择题和简答题。

数据特点：

HLE 包含两种问题格式：精确匹配问题（模型需输出一个精确的字符串作为答案）和 多项选择题（模型需从五个或更多选项中选择一个正确答案）。HLE 是一个多模态基准，其中约 13% 的问题 需要理解文本和图像。24% 的问题 是多项选择题，其余为精确匹配问题。

每道题目的提交需包含多个必需组件：问题文本、答案说明（包括精确匹配答案，或多项选择答案及正确答案标注）、详细的解题逻辑、所属学科，以及贡献者的姓名和机构信息，以确保问答的可追溯性和准确性。

该数据集是困难级别的测试数据集。各类模型在此数据集下测试的准确率效果低于10%

测试效果：

当前openai 的DeepResearch在此测试中的准确率达到26.6%，显著超过DeepSeek-R1的9.4%。这一成绩凸显其通过端到端强化学习优化的多步骤推理能力，尤其在跨学科知识关联和信息验证方面表现突出。

数据集相关论文：https://arxiv.org/abs/2501.14249

github地址：https://github.com/centerforaisafety/hle

二、GAIA基准测试

数据集内容：

GAIA（A Benchmark for General AI Assistants）是由Meta、HuggingFace等团队提出的通用AI助手评估基准，旨在测试AI系统在现实任务中的推理、多模态处理、工具使用等基础能力。GAIA（测试重点考察模型的网络浏览、多模态处理、代码执行和文件推理能力，并设置三个难度级别（基础、进阶、专家级）。例如，任务可能涉及从动态网页中提取数据、解析PDF图表，或结合图像与文本进行综合分析。

问题规模：共包含466个问题，其中166个公开开发集问题和答案，300个测试集问题保留答案用于排行榜竞争。

问题类型文本为主：多数问题为文本形式，部分附带图像、电子表格等多模态文件（如解析表格数据或识别图像信息）。

任务场景：涵盖日常个人任务（如查找网页注册信息）、科学问题（如数据分析）及通用知识查询。

答案格式：每个问题对应唯一、简短的事实性答案（如字符串、数字或列表），便于自动化评估。

难度分级：

Level 1：简单任务，通常无需工具或仅需1个工具，步骤不超过5步（例如查找网页中的特定信息）。

Level 2：中等任务，需5-10步操作，结合多种工具（如网络搜索+表格解析）。

Level 3：复杂任务，要求近乎完美的通用助手能力，需任意长操作序列和多工具协同（如跨模态信息整合与推理）

论文地址：https://arxiv.org/pdf/2311.12983

huggingface排行榜：https://huggingface.co/spaces/gaia-benchmark/leaderboard