BrowseComp (ブラウジング能力ベンチ)
読み: ぶらうずこんぷ
最終更新: 2026-07-17・AI PICKS編集部
定義
BrowseCompとは、AIエージェントが自力でWeb検索・閲覧を重ねて発見しづらい事実情報を見つけ出す能力を測定するベンチマークのこと。
BrowseComp (ブラウジング能力ベンチ)とは — 詳しく解説
BrowseCompは、OpenAIが公開したベンチマークで、AIエージェントがWeb検索・閲覧を繰り返しながら、単純な検索では見つからない事実情報を突き止められるかを測る指標とされる。単発の検索一致では正解にたどり着けない、複数ページを横断した推論を要する問題設計が特徴とされ、GPT系やClaude系などのエージェント型モデルの評価に使われている。2026年時点の実運用では、スコアの高さがそのままブラウジング機能の実用性を保証するわけではなく、検索対象サイトの構造変化やレート制限、有料APIのコスト増によってベンチマーク時と現場での挙動が乖離しやすい点が落とし穴として挙げられる。エージェント選定の現場では、BrowseComp単体のスコアよりも、実際に使う想定のドメインでの検索精度や、API呼び出し回数に伴うコスト・相場感を合わせて確認する運用が望ましいとされる。
BrowseComp (ブラウジング能力ベンチ)の使用例
- 「2019年に創業し2023年に社名変更した某スタートアップの創業者は誰か」のように複数手がかりの突合が必要な設問。
- 単純なキーワード検索1回では正答できず、複数サイトを横断して裏取りしないと正解に到達しない問題形式。
BrowseComp (ブラウジング能力ベンチ)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・663語以上を体系的に整理しています
辞典トップへ