BrowseComp
BrowseComp es un benchmark de OpenAI con 1,266 preguntas difíciles que evalúa si un agente de navegación puede buscar en la web con persistencia datos enrevesados y difíciles de encontrar, con respuestas cortas que son fáciles de comprobar.
También llamado: BrowseComp benchmark
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Muchos benchmarks de búsqueda hacen preguntas que una sola consulta puede responder. BrowseComp, publicado por investigadores de OpenAI en 2025, hace preguntas cuyas respuestas están enterradas: encontrarlas puede suponer seguir muchas pistas a través de muchas páginas. La respuesta en sí es corta, como un nombre o una fecha, así que la corrección es sencilla aunque la búsqueda sea difícil.
Qué mide
Los autores lo comparan con las competiciones de programación para los agentes de código: incompleto, pero útil. Evalúa la persistencia y la creatividad para encontrar información, la habilidad central de las herramientas de deep research y de los buscadores con IA. No evalúa la redacción de respuestas largas ni el manejo de preguntas vagas de los usuarios, que las tareas reales de investigación también necesitan.
Por qué importa a quien construye
Si tu producto depende de un agente que navega, las puntuaciones de BrowseComp te dicen hasta qué punto un modelo sigue adelante cuando fallan las primeras búsquedas. El artículo también muestra que la precisión sube con el esfuerzo de navegación, lo que lo relaciona con el cómputo en tiempo de prueba: más pasos y más búsquedas tienden a ayudar. Las puntuaciones dependen de las herramientas que tiene el agente, así que compara resultados obtenidos con la misma configuración de búsqueda y de agente de navegador.
Límites
Las preguntas están diseñadas para que las respuestas sean fáciles de verificar una vez encontradas, y así no funcionan la mayoría de las consultas reales. Las respuestas publicadas en internet después del lanzamiento también pueden filtrarse al entrenamiento de los modelos, así que comprueba qué versión y qué fecha usa una puntuación publicada.
Términos relacionados
- Deep research (IA)
- El deep research (investigación profunda) es una función de agente de IA que planifica una pregunta de investigación, hace muchas búsquedas web, lee las fuentes que encuentra y redacta un informe largo con citas, en minutos y no en segundos.
- Benchmark de IA
- Un benchmark de IA (prueba de referencia) es un conjunto fijo y público de tareas con un método de puntuación acordado, que se usa para comparar modelos en la misma prueba, por ejemplo incidencias de código resueltas, preguntas de examen respondidas o calidad de recuperación en muchos conjuntos de datos.
- Agente de navegador
- Un agente de navegador (browser agent) es un agente de IA que controla un navegador web para completar tareas, como buscar, hacer clic, rellenar formularios y leer páginas, a menudo con un navegador headless sin ventana visible.
- Buscador con IA
- Un buscador con IA (AI search engine) es un servicio de búsqueda que hace búsquedas web para una consulta, lee los resultados con un modelo de lenguaje y devuelve una respuesta redactada con enlaces a sus fuentes, en lugar de solo una lista de enlaces.
- Test-time compute
- El test-time compute (cómputo en tiempo de inferencia) es la cantidad de cálculo que gasta un modelo al responder una petición, y no durante el entrenamiento. Dejar que un modelo piense más tiempo o pruebe varias respuestas puede mejorar los resultados en problemas difíciles.