LiveSQLBench-Base-Lite

新基准测试揭示AI在结合网络搜索和数据库数据方面存在困难

一项名为HybridDeepResearch的新基准测试已被引入，用于评估AI代理结合来自网络搜索和结构化数据库查询的信息的能力。该基准测试包含380个任务，旨在解决现有评估将这些模态孤立评估的局限性。初步结果显示，即使是GLM-5.2、Claude Sonnet 4.6和GPT-5等先进模型，在挑战性任务上的成功率也仅在50-54%左右，这表明有效连接结构化和非结构化数据仍然是AI代理面临的重大障碍。