論文の概要: HyperBrowseComp: A Multilingual and Multimodal Stress Test for Web-Browsing Agents

• arxiv url: http://arxiv.org/abs/2610.03574v1
• Date: Fri, 02 Oct 2026 16:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.491441
• Title: HyperBrowseComp: A Multilingual and Multimodal Stress Test for Web-Browsing Agents
• Title（参考訳）: HyperBrowseComp:Webブラウザエージェントのための多言語および多モーダルストレステスト
• Abstract要約: 提案するHyperBrowseCompは,13言語にまたがる手作業による423の質問と人為的な質問からなる,多言語および多モーダルなブラウジングベンチマークである。 各質問は、発見が不明瞭な証拠を見つけること、多段階の手がかり連鎖に従うこと、ビデオ、スキャンされた文書、画像、地図などの異質な情報源を検査することを必要とする簡潔で検証可能な答えをターゲットにしている。 我々は,共通エージェントプロトコルの下で,プロバイダネイティブ検索と共有外部検索ハーネスを用いて複数のモデルを評価する。
• 参考スコア（独自算出の注目度）: 23.46850322925053
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce HyperBrowseComp, a multilingual and multimodal browsing benchmark comprising 423 manually authored and human-validated questions across 13 languages, written by native or highly proficient speakers. Questions are designed to be extremely challenging. Each question targets a concise, publicly verifiable answer whose discovery requires locating obscure evidence, following multi-step clue chains, or inspecting heterogeneous sources such as videos, scanned documents, images, or maps. Easier questions are filtered out by evaluating them with models without internet access to reduce the likelihood that they can be answered with parametric knowledge alone. We evaluate several models using provider-native search and a shared external retrieval harness under a common agent protocol. To contextualize model performance and effort, we also conduct a human evaluation on a sample of the questions. HyperBrowseComp provides a challenging testbed for persistent information seeking across languages and evidence modalities, with difficulty arising from discovering and connecting evidence on the open web.
• Abstract（参考訳）: 提案するHyperBrowseCompは,13言語にまたがる423個の手書きおよび有能な質問をネイティブまたは高度に熟練した話者が作成する多言語および多モーダルなブラウジングベンチマークである。 質問は極めて難しいように設計されています。 各質問は、発見が不明瞭な証拠を見つけること、多段階の手がかり連鎖に従うこと、ビデオ、スキャンされた文書、画像、地図などの異質な情報源を検査することを必要とする簡潔で検証可能な答えをターゲットにしている。 より簡単な質問は、パラメトリック知識だけで答えられる可能性を減らすために、インターネットアクセスのないモデルでそれらを評価することでフィルタリングされる。 我々は,共通エージェントプロトコルの下で,プロバイダネイティブ検索と共有外部検索ハーネスを用いて複数のモデルを評価する。 モデルの性能と努力を文脈化するために,質問のサンプルに対して人間による評価を行う。 HyperBrowseCompは、言語とエビデンスモダリティをまたいだ永続的な情報を探すための挑戦的なテストベッドを提供する。

関連論文リスト

• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  レポート生成のためのマルチエージェントハーネスであるPtahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリからレンダリングされたWebレポートまでのライフサイクルを編成する。 検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
  論文  参考訳（メタデータ） (2026-05-28T12:40:34Z)
• MultiCaption: Detecting disinformation using multilingual visual claims [10.69065586825833]
  視覚的クレームの矛盾を検出するために特別に設計されたデータセットであるMultiCaptionを提案する。 結果として得られたデータセットは、64言語で11,088の視覚的クレームで構成されている。 マルチリンガルトレーニングとテストの成果は、効果的にマルチリンガルのファクトチェックパイプラインを構築するためのデータセットの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-16T11:57:07Z)
• MM-BrowseComp: A Comprehensive Benchmark for Multimodal Browsing Agents [78.3863007028688]
  MM-BrowseCompは、224の挑戦的で手作りの質問からなる新しいベンチマークである。 これらの質問は、しばしば画像にプロンプトを組み込むが、検索と推論の過程で遭遇する重要な情報は、Webページ上の画像やビデオにも埋め込まれることがある。 MM-BrowseCompによる最先端モデルの総合評価では、OpenAI o3のようなツールを用いたトップモデルでさえ、わずか29.02%の精度しか達成していないことが示されている。
  論文  参考訳（メタデータ） (2025-08-14T13:46:47Z)
• VisR-Bench: An Empirical Study on Visual Retrieval-Augmented Generation for Multilingual Long Document Understanding [49.07705729597171]
  VisR-Benchは、長い文書における質問駆動型マルチモーダル検索のベンチマークである。 ベンチマークは、1.2Kドキュメントで35K以上の高品質なQAペアで構成されています。 テキストベースの手法,マルチモーダルエンコーダ,MLLMなど,さまざまな検索モデルを評価する。
  論文  参考訳（メタデータ） (2025-08-10T21:44:43Z)
• FM2DS: Few-Shot Multimodal Multihop Data Synthesis with Knowledge Distillation for Question Answering [15.594694018908188]
  マルチモーダルなマルチホップ質問応答 (MMQA) には、複数のソースからの画像やテキストを推論する必要がある。 既存の方法は、シングルホップ、シングルモダリティ、短いテキストに焦点を当てている。 MMQAのための高品質なデータセットを作成するための最初のフレームワークであるFM2DSを紹介します。
  論文  参考訳（メタデータ） (2024-12-09T22:35:44Z)
• Leveraging Large Language Models for Multimodal Search [0.6249768559720121]
  本稿では,Fashion200Kデータセット上での新たなパフォーマンスマイルストーンを実現する,新しいマルチモーダル検索モデルを提案する。 また,Large Language Models (LLM) を統合した新たな検索インタフェースを提案する。
  論文  参考訳（メタデータ） (2024-04-24T10:30:42Z)
• Asking Multimodal Clarifying Questions in Mixed-Initiative Conversational Search [89.1772985740272]
  混合開始型会話検索システムでは、質問を明確にすることで、意図を単一のクエリで表現するのに苦労するユーザを支援する。 マルチモーダル情報が関係するシナリオでは、非テクスチャ情報を用いることで、明確化のプロセスを改善することができると仮定する。 質問を明確にする4k以上のマルチモーダルを含むMelonというデータセットを収集し、14k以上の画像で濃縮する。 クエリの明確化フェーズにおけるマルチモーダルコンテンツの重要性を理解するために,いくつかの解析を行った。
  論文  参考訳（メタデータ） (2024-02-12T16:04:01Z)
• SEMQA: Semi-Extractive Multi-Source Question Answering [94.04430035121136]
  本稿では,複数ソースを半抽出的に要約することで,複数の質問に答える新しいQAタスクを提案する。 この種の最初のデータセットであるQuoteSumを作成し、自然および生成された質問に対する人間による半抽出的な回答を提示する。
  論文  参考訳（メタデータ） (2023-11-08T18:46:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。