DeepResearchBench：用 ReAct 框架与 RetroSearch 评测深度研究模型

DeepResearchBench 通过 FutureSearch 的排行榜评测深度研究模型，模型以 ReAct 框架运行，单次任务最多执行 50 个动作，得分在 0 到 1 之间，按任务类别采用 precision、recall、F1 或二元评分。评测使用 RetroSearch 从预先抓取的互联网快照向 LLM 智能体提供网页，而非实时网页，以保持环境一致。