DRBENCHER：你的智能体能识别实体、检索其属性并完成计算吗？

深度研究代理越来越多地将网络浏览与多步骤计算交织在一起，但现有的基准测试是孤立地评估这些功能的，从而在评估实际性能时造成了盲点。我们引入了 DRBENCHER，这是一个针对需要浏览和计算的问题的综合基准生成器。它强制执行四个标准：可验证性（通过对知识图值执行参数化代码来计算黄金答案）、复杂性（多跳实体识别、属性检索和特定于域的计算）、难度（两阶段验证级联过滤掉生成模型可解决的问题）和多样性（贪婪的最大最小嵌入过滤器最大化覆盖范围）。这些标准是通过跨越五个领域的统一答案优先管道来实现的：生物化学、金融、地球物理、安全和历史。人类评估显示 76% 的有效性（84% 不包括陈旧数据），其中 35% 的错误是由于过时的知识图条目造成的，这凸显了系统对不断变化的数据进行推理的固有局限性。自动评估表明，最强的前沿模型仅达到 20% 的答案准确率。与手动构建的基准（BrowseComp+、MATH-500、GPQA）相比，DRBENCHER 实现了最高的语义多样性。