LifeSearch：面向真实生活与生产力场景的 Deep Research Agents 评测基准

LifeSearch 提出一个评测 Deep Research Agents 在真实生活与专业生产力任务中表现的基准，包含 7 个领域的 203 个中英文任务。该基准基于超过 4,500 小时人工标注，构建逾 4,000 条专家细粒度 rubrics，并在统一框架下测试 12 个先进 DR agents；最佳的 GPT-5.6 Sol 得分仅 63.4%。