Mr.LHDR：多模态长程深度研究智能体基准，最强系统仅 43.1% 准确率

背景

每个问题由隐藏的“节点-关系图”构造，平均需 12.1 个必要中间结论、平均依赖深度 10.4 才能得出唯一可验证答案；证据含图像、地图、PDF、图表、视频帧等多模态元素。

核心要点

• 基准：8 类真实长程深度研究，平均 12.1 个中间结论、依赖深度 10.4。
• 多模态证据不可或缺：去掉图像使 DACS 下降 12.6 分。
• 结果：最强系统总体准确率 43.1%、严格准确率 34.3%，终答准确率高估完整研究成功率。

为什么重要

揭示当前深度研究智能体的瓶颈在于“持续、依赖一致的证据整合”而非孤立事实检索，为评测与训练指明方向。

关键事实速记

• 提交：2026-09-10；类型：多模态长程深度研究基准。
• 结果：最强系统 OA 43.1% / SA 34.3%。
• 发现：去图像 DACS -12.6 分。