BrowseComp
BrowseComp は、1,266 問の難しい質問からなる OpenAI のベンチマークです。ブラウジングエージェントが、入り組んで見つけにくい事実を求めて粘り強くウェブを検索できるかを試します。答えは短く、確認しやすいものです。
別名: BrowseComp benchmark
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
多くの検索ベンチマークは、1 回のクエリで答えられる質問をします。2025 年に OpenAI の研究者が公開した BrowseComp は、答えが埋もれている質問をします。見つけるには、多くのページにわたって多くの手がかりをたどる必要があるかもしれません。答え自体は名前や日付のように短いので、検索は難しくても採点は簡単です。
何を測るか
開発者はこれを、コーディングエージェントにとってのプログラミングコンテストになぞらえています。不完全ではあるものの、役に立つということです。BrowseComp が試すのは情報を見つける粘り強さと創意工夫で、ディープリサーチツールや AI 検索エンジンの中核となる能力です。実際の調査タスクに必要な、長い回答を書く力や、あいまいなユーザーの質問に対処する力は試しません。
開発者にとっての重要性
ブラウジングするエージェントに頼る製品なら、BrowseComp のスコアから、最初の検索が失敗したときにモデルがどれだけ粘れるかがわかります。論文では、ブラウジングにかける労力に応じて正解率が上がることも示されており、テスト時計算とのつながりがあります。手順と検索を増やすほど効果が出やすいのです。スコアはエージェントが持つツールに左右されるので、同じ検索とブラウザーエージェントの構成で実行した結果どうしを比べてください。
限界
質問は、見つかれば答えを確認しやすいように作られていますが、実際のクエリの多くはそうではありません。また、公開後にオンラインに載った答えがモデルの学習に漏れる可能性もあるため、報告されたスコアがどのバージョンと日付のものかを確認してください。
関連用語
- ディープリサーチ(AI)
- ディープリサーチ(deep research)とは、調査の問いについて計画を立て、多数のウェブ検索を行い、見つけた情報源を読み、引用付きの長いレポートを書く AI エージェントの機能です。数秒ではなく数分かかります。
- AI ベンチマーク
- AI ベンチマーク(AI benchmark)とは、合意された採点方法を持つ固定の公開タスク集で、同じテストでモデルを比べるために使います。たとえば解決したコーディングの課題数、正解した試験問題、多数のデータセットにわたる検索の品質などです。
- ブラウザーエージェント
- ブラウザーエージェント(browser agent)とは、ウェブブラウザーを操作して、検索、クリック、フォームの入力、ページの読み込みなどのタスクをこなす AI エージェントです。多くの場合、画面を表示しないヘッドレスブラウザーで動きます。
- AI 検索エンジン
- AI 検索エンジン(AI search engine)とは、クエリに対してウェブ検索を行い、言語モデルで結果を読み、リンクの一覧だけでなく、情報源へのリンク付きの文章で回答を返す検索サービスです。
- Test-time compute(推論時の計算)
- Test-time compute(推論時の計算)とは、モデルが学習中ではなく、リクエストに答える間に使う計算量のことです。モデルに長く考えさせたり、複数の回答を試させたりすると、難しい問題で結果が良くなることがあります。