BrowseComp
BrowseComp évalue si un modèle peut trouver des faits difficiles à dénicher sur le web en temps réel. Ses 1 266 questions sont conçues pour que la réponse soit introuvable en une seule recherche, de sorte que la notation récompense les recherches persistantes en plusieurs étapes. Le modèle n’a pas besoin de connaissances stockées ; sa note dépend uniquement de la correspondance entre sa réponse finale et une référence après recherche. Nous l’exécutons en gardant le même modèle et en faisant varier la configuration de recherche : le moteur de recherche, le format des requêtes et le budget maximal de recherche. Cela montre dans quelle mesure la configuration de recherche contribue aux résultats lorsque le modèle reste identique.
Dernière exécution de l’évaluation comparative
- Fournisseurs de recherche

- 4 fournisseurs de recherche
- comparaison entre configurations
- Modèles

- 4 modèles
- Claude Opus 5, GPT-5.6 Sol, DeepSeek V4 Flash 0731 et GPT-5.6 Luna
- Configurations de test
- Plugin / 1 / 5 / 25
- budgets de recherche et mode des plugins
Quelle configuration de recherche arrive en tête sur BrowseComp ?
Claude Opus 5 · high, via Perplexity avec 25-turn au 11 août 2026 est en tête avec une précision de 89,0 % au test de performance. Les scores affichés sont arrondis à une décimale, les configurations regroupées sont donc en tête à égalité à cette précision d’affichage. La comparaison utilise les mêmes pistes SSR vérifiées et la même méthodologie de test de performance que celles présentées ci-dessous.
Résultat gagnant
La configuration ayant obtenu le meilleur score, le détail de ce score et les meilleures alternatives en matière de rapport qualité-prix et de rapidité.
Qualité la plus élevée

Intervalle de confiance à 95 % 86,2 %–91,3 %
Résultat gagnant en détail
- 1-turn de budget de recherche
- 35,8 % de réponses correctes
- 5-turn de budget de recherche
- 66,5 % de réponses correctes
- 25-turn de budget de recherche
- 89,0 % de réponses correctes
- Coût / question
- 0,99 $US
- Temps moyen de génération / question
- 1,9m
- Meilleur rapport qualité-prix
- 0,99 $US / question
- Perplexity
Claude Opus 5 · high25-turn de budget de recherche 89,0 % correct - Résultat de qualité le plus rapide
- 1,9m / question
- Perplexity
Claude Opus 5 · high25-turn de budget de recherche 89,0 % correct
Résultats de qualité
Pour le modèle sélectionné, chaque moteur contribue avec sa configuration ayant obtenu le meilleur score. Les barres indiquent le pourcentage de réponses correctes et l’incertitude associée à ce résultat.

Prix et vitesse
Comparez la qualité des réponses au coût moyen et au temps de génération moyen par question. La courbe de Pareto indique la meilleure qualité disponible pour chaque niveau de prix ou de temps.
Prix par rapport à la qualité
Coût moyen par question sur une échelle logarithmique. La courbe indique la meilleure qualité disponible à chaque niveau de prix.
- Perplexity
- Parallel
- Exa
- OpenAI Native
| Fournisseur de recherche | Modèle | Budget de recherche | Qualité des réponses | Coût par question | À la frontière de l’efficacité et de la qualité |
|---|---|---|---|---|---|
| Perplexity | Claude Opus 5 · high | 25-turn | 89,0 % | 0,99 $US | oui |
| Parallel | Claude Opus 5 · high | 25-turn | 86,3 % | 1,68 $US | non |
| Perplexity | GPT-5.6 Sol · high | 25-turn | 82,4 % | 0,50 $US | oui |
| Exa | Claude Opus 5 · high | 25-turn | 82,2 % | 1,29 $US | non |
| Parallel | GPT-5.6 Sol · high | 25-turn | 77,9 % | 1,07 $US | non |
| Exa | GPT-5.6 Sol · high | 25-turn | 77,8 % | 0,54 $US | non |
| OpenAI Native search | GPT-5.6 Sol · high | 25-turn | 77,8 % | 0,68 $US | non |
| Perplexity | DeepSeek V4 Flash 0731 · high | 25-turn | 77,0 % | 0,076 $US | oui |
| Perplexity | GPT-5.6 Luna · xhigh | 25-turn | 74,0 % | 0,099 $US | non |
| Parallel | DeepSeek V4 Flash 0731 · high | 25-turn | 69,1 % | 0,060 $US | oui |
| Exa | GPT-5.6 Luna · xhigh | 25-turn | 68,4 % | 0,14 $US | non |
| Exa | DeepSeek V4 Flash 0731 · high | 25-turn | 67,4 % | 0,12 $US | non |
| Perplexity | Claude Opus 5 · high | 5-turn | 66,5 % | 0,51 $US | non |
| Perplexity | GPT-5.6 Sol · high | 5-turn | 65,2 % | 0,29 $US | non |
| Parallel | GPT-5.6 Sol · high | 5-turn | 60,2 % | 0,47 $US | non |
| Exa | GPT-5.6 Sol · high | 5-turn | 60,1 % | 0,30 $US | non |
| OpenAI Native search | GPT-5.6 Sol · high | 5-turn | 59,0 % | 0,35 $US | non |
| Parallel | Claude Opus 5 · high | 5-turn | 57,8 % | 0,84 $US | non |
| Perplexity | GPT-5.6 Luna · xhigh | 5-turn | 57,0 % | 0,037 $US | oui |
| Parallel | GPT-5.6 Luna · xhigh | 25-turn | 56,0 % | 0,073 $US | non |
| Exa | Claude Opus 5 · high | 5-turn | 52,5 % | 0,54 $US | non |
| Exa | GPT-5.6 Luna · xhigh | 5-turn | 48,0 % | 0,049 $US | non |
| Exa | GPT-5.6 Sol · high | 1-turn | 46,7 % | 0,20 $US | non |
| Perplexity | GPT-5.6 Sol · high | 1-turn | 46,3 % | 0,20 $US | non |
| Parallel | GPT-5.6 Sol · high | 1-turn | 43,7 % | 0,21 $US | non |
| Parallel | GPT-5.6 Luna · xhigh | 5-turn | 42,5 % | 0,029 $US | oui |
| OpenAI Native search | GPT-5.6 Sol · high | 1-turn | 41,8 % | 0,26 $US | non |
| Perplexity | Claude Opus 5 · high | 1-turn | 35,8 % | 0,14 $US | non |
| Parallel | DeepSeek V4 Flash 0731 · high | 5-turn | 35,2 % | 0,007 $US | oui |
| Perplexity | GPT-5.6 Luna · xhigh | 1-turn | 33,7 % | 0,017 $US | non |
| Exa | GPT-5.6 Luna · xhigh | 1-turn | 33,0 % | 0,019 $US | non |
| Parallel | Claude Opus 5 · high | 1-turn | 30,8 % | 0,18 $US | non |
| Exa | Claude Opus 5 · high | 1-turn | 29,4 % | 0,14 $US | non |
| Parallel | GPT-5.6 Luna · xhigh | 1-turn | 23,7 % | 0,018 $US | non |
| Parallel | DeepSeek V4 Flash 0731 · high | 1-turn | 20,0 % | 0,005 $US | oui |
| Exa | Claude Opus 5 · medium | plugin | 12,0 % | 0,44 $US | non |
| Perplexity | Claude Opus 5 · medium | plugin | 11,0 % | 0,42 $US | non |
Temps moyen de génération par rapport à la qualité
Temps moyen de génération par question, pondéré par le nombre d’échantillons. La courbe indique la meilleure qualité disponible pour chaque durée.
- Perplexity
- Parallel
- Exa
- OpenAI Native
| Fournisseur de recherche | Modèle | Budget de recherche | Qualité des réponses | Temps moyen de génération | À la frontière de l’efficacité et de la qualité |
|---|---|---|---|---|---|
| Perplexity | Claude Opus 5 · high | 25-turn | 89,0 % | 1,9m | oui |
| Parallel | Claude Opus 5 · high | 25-turn | 86,3 % | 2,8m | non |
| Perplexity | GPT-5.6 Sol · high | 25-turn | 82,4 % | 1,9m | non |
| Exa | Claude Opus 5 · high | 25-turn | 82,2 % | 2,4m | non |
| Parallel | GPT-5.6 Sol · high | 25-turn | 77,9 % | 2,5m | non |
| Exa | GPT-5.6 Sol · high | 25-turn | 77,8 % | 2,4m | non |
| OpenAI Native search | GPT-5.6 Sol · high | 25-turn | 77,8 % | 2,9m | non |
| Perplexity | DeepSeek V4 Flash 0731 · high | 25-turn | 77,0 % | 2,3m | non |
| Perplexity | GPT-5.6 Luna · xhigh | 25-turn | 74,0 % | 1,9m | oui |
| Parallel | DeepSeek V4 Flash 0731 · high | 25-turn | 69,1 % | 2,6m | non |
| Exa | GPT-5.6 Luna · xhigh | 25-turn | 68,4 % | 2,3m | non |
| Exa | DeepSeek V4 Flash 0731 · high | 25-turn | 67,4 % | 2,9m | non |
| Perplexity | Claude Opus 5 · high | 5-turn | 66,5 % | 1,6m | oui |
| Perplexity | GPT-5.6 Sol · high | 5-turn | 65,2 % | 1,7m | non |
| Parallel | GPT-5.6 Sol · high | 5-turn | 60,2 % | 2,0m | non |
| Exa | GPT-5.6 Sol · high | 5-turn | 60,1 % | 2,1m | non |
| OpenAI Native search | GPT-5.6 Sol · high | 5-turn | 59,0 % | 2,6m | non |
| Parallel | Claude Opus 5 · high | 5-turn | 57,8 % | 2,1m | non |
| Perplexity | GPT-5.6 Luna · xhigh | 5-turn | 57,0 % | 89s | oui |
| Parallel | GPT-5.6 Luna · xhigh | 25-turn | 56,0 % | 2,2m | non |
| Exa | Claude Opus 5 · high | 5-turn | 52,5 % | 1,7m | non |
| Exa | GPT-5.6 Luna · xhigh | 5-turn | 48,0 % | 1,7m | non |
| Exa | GPT-5.6 Sol · high | 1-turn | 46,7 % | 2,4m | non |
| Perplexity | GPT-5.6 Sol · high | 1-turn | 46,3 % | 2,1m | non |
| Parallel | GPT-5.6 Sol · high | 1-turn | 43,7 % | 2,2m | non |
| Parallel | GPT-5.6 Luna · xhigh | 5-turn | 42,5 % | 1,9m | non |
| OpenAI Native search | GPT-5.6 Sol · high | 1-turn | 41,8 % | 3,0m | non |
| Perplexity | Claude Opus 5 · high | 1-turn | 35,8 % | 48s | oui |
| Parallel | DeepSeek V4 Flash 0731 · high | 5-turn | 35,2 % | 2,0m | non |
| Perplexity | GPT-5.6 Luna · xhigh | 1-turn | 33,7 % | 2,3m | non |
| Exa | GPT-5.6 Luna · xhigh | 1-turn | 33,0 % | 2,5m | non |
| Parallel | Claude Opus 5 · high | 1-turn | 30,8 % | 59s | non |
| Exa | Claude Opus 5 · high | 1-turn | 29,4 % | 50s | non |
| Parallel | GPT-5.6 Luna · xhigh | 1-turn | 23,7 % | 2,2m | non |
| Parallel | DeepSeek V4 Flash 0731 · high | 1-turn | 20,0 % | 2,1m | non |
| Exa | Claude Opus 5 · medium | plugin | 12,0 % | 3,3m | non |
| Perplexity | Claude Opus 5 · medium | plugin | 11,0 % | 3,0m | non |
Davantage de recherche améliore-t-il l’exactitude des réponses ?
Comparez les taux de bonnes réponses à mesure que le budget de recherche maximal augmente. Les questions BrowseComp sont conçues pour nécessiter plusieurs étapes de recherche, cette vue montre donc si des recherches supplémentaires sont utiles.
| Fournisseur de recherche | plugin | 1-turn | 5-turn | 25-turn |
|---|---|---|---|---|
| 11,0 %Claude Opus 5 · medium | 46,3 %GPT-5.6 Sol · high | 66,5 %Claude Opus 5 · high | 89,0 %Claude Opus 5 · high | |
| — | 43,7 %GPT-5.6 Sol · high | 60,2 %GPT-5.6 Sol · high | 86,3 %Claude Opus 5 · high | |
| 12,0 %Claude Opus 5 · medium | 46,7 %GPT-5.6 Sol · high | 60,1 %GPT-5.6 Sol · high | 82,2 %Claude Opus 5 · high | |
| — | 41,8 %GPT-5.6 Sol · high | 59,0 %GPT-5.6 Sol · high | 77,8 %GPT-5.6 Sol · high |
Toutes les configurations de recherche
Toutes les configurations vérifiées pour tous les modèles. Triez par qualité, coût, vitesse ou nombre de questions.
| # | Modèle | Fournisseur de recherche | Budget de recherche | Effort de raisonnement | ||||
|---|---|---|---|---|---|---|---|---|
| 1 | 25-turn | high | 89,0 % | 0,99 $US | 1,9m | 573 | ||
| 2 | 25-turn | high | 86,3 % | 1,68 $US | 2,8m | 820 | ||
| 3 | 25-turn | high | 82,4 % | 0,50 $US | 1,9m | 632 | ||
| 4 | 25-turn | high | 82,2 % | 1,29 $US | 2,4m | 567 | ||
| 5 | 25-turn | high | 77,9 % | 1,07 $US | 2,5m | 879 | ||
| 6 | 25-turn | high | 77,8 % | 0,54 $US | 2,4m | 1 241 | ||
| 7 | 25-turn | high | 77,8 % | 0,68 $US | 2,9m | 99 | ||
| 8 | 25-turn | high | 77,0 % | 0,076 $US | 2,3m | 100 | ||
| 9 | 25-turn | xhigh | 74,0 % | 0,099 $US | 1,9m | 100 | ||
| 10 | 25-turn | high | 69,1 % | 0,060 $US | 2,6m | 194 |
Pourquoi nous réalisons cette évaluation comparative
Les questions de BrowseComp ciblent une réponse unique et vérifiable derrière plusieurs niveaux d’indirection, comme une personne décrite par des fragments de carrière ou un événement identifié par des contraintes croisées. Une seule recherche suffit rarement ; l’agent doit formuler des hypothèses, chercher, écarter des pistes et changer de direction. Cela en fait notre outil le plus précis pour mesurer l’apport d’une configuration de recherche : le même modèle obtient un score plusieurs fois supérieur avec un budget agentique complet qu’avec une seule recherche avant l’inférence.
Nous l’exécutons en gardant le modèle fixe, car cela permet d’isoler les variables que les utilisateurs d’OpenRouter contrôlent réellement. Il s’agit du moteur qui effectue les recherches, de l’exécution de la recherche sous forme d’outil serveur ou de plugin, et du nombre de tours d’agent autorisés dans la boucle. Ces paramètres sont exactement ceux que vous pouvez définir sur une requête aujourd’hui.
Ce que les scores peuvent et ne peuvent pas vous dire
Ces scores comparent des configurations de recherche, et non des produits d’agents. Le modèle lit uniquement des extraits des résultats de recherche, sans récupération de pages complètes ni outils de code, si bien que les chiffres absolus sont inférieurs à ceux des classements d’agents publiés, qui autorisent les deux. Comparez les configurations plutôt que les niveaux bruts.
Les plages de confiance qui se chevauchent sont considérées ici comme non concluantes, et non comme une preuve d’égalité. Le coût doit être pris en compte au même titre que la qualité lorsqu’une configuration est légèrement meilleure et beaucoup plus chère.
Le jeu de données est distribué sous forme chiffrée avec une chaîne sentinelle pour éviter son inclusion dans les corpus d’entraînement, mais les questions sont publiques ; l’évaluation dépend d’une recherche en direct en plusieurs étapes, qu’il est difficile de contourner par la mémorisation.
Comment les tâches sont notées
Chaque tâche est une question accompagnée d’une courte réponse de référence. Le modèle répond dans un format fixe (explication, réponse exacte, niveau de confiance déclaré), et un modèle juge évalue si la réponse extraite est sémantiquement équivalente à la référence. « 1988 à 1996 » correspond à « 1988-96 » ; une entité différente constitue un échec. La note est binaire, sans points partiels, et les tâches échouées ou refusées obtiennent zéro.
reward = judge(extracted_answer ≡ reference_answer) // ∈ {0, 1}
judge = gpt-4.1 at temperature 0, strict json_schema verdict
empty or refused answers skip the judge and score 0Une configuration de recherche comprend un modèle, un moteur de recherche, un format de requête et un budget de recherche maximal. Les scores sont pondérés par le nombre de questions de chaque exécution vérifiée ; les petits tests de bon fonctionnement sont exclus.
Exemple d’exécution réelle
Exécutions historiques fixes, indépendantes du filtre de modèles ci-dessus. Les résultats longs et les métadonnées opérationnelles sont abrégés ; certaines requêtes peuvent être modifiées ou omises.
Tâche
Identifier un personnage de bande dessinée qui brise le quatrième mur
Please identify the fictional character who occasionally breaks the fourth wall with the audience, has a backstory involving help from selfless ascetics, is known for his humor, and had a TV show that aired between the 1960s and 1980s with fewer than 50 episodes.
Il s’agit de l’exemple 1 publié à l’identique par OpenAI sur la page officielle de BrowseComp. Ces nouvelles exécutions en production ont été enregistrées pour cette page ; les éléments non publiés de BrowseComp restent exclus.
OpenAI BrowseComp — exemple 1Référence
Plastic Man

Réponse finale
[No final answer emitted.]
Ce qui s’est passé
The shallow run spent its available step on two broad searches, surfaced many fourth-wall candidates, and ended before emitting an answer. It therefore did not match the published Plastic Man reference.
Méthodologie
Les exécutions ont lieu sur Kepler, le harness d’évaluation comparative d’OpenRouter, sur des points de terminaison de production. Les configurations d’outil serveur définissent un budget d’appels d’outil par requête pour l’ outil serveur de recherche web. Les configurations d’extension effectuent une seule recherche de la question avant l’inférence avec l’ extension de recherche web. Les moteurs utilisent les mêmes configurations par défaut que celles qui traitent le trafic de production.
Chaque exécution conserve le modèle exact, le moteur, le format de requête, le budget de recherche, le coût et les données de télémétrie temporelle disponibles. Les configurations manquantes restent absentes du tableau comparatif, et absent or zero telemetry is not treated as free or instantaneous performance.
Télécharger et citer
Un instantané de ce classement est publié dans le jeu de données ouvert search-benchmark-lanes (filtrez sur la colonne benchmark ), régénéré daily sans qu’aucune clé API soit requise. L’instantané actuel a été généré le . Il est distribué sous licence CC BY 4.0, vous pouvez donc le réutiliser et le republier en mentionnant OpenRouter.
- Télécharger le CSV (text/csv)
- Télécharger le JSON (application/json)
- Manifeste de l’instantané (Sommes de contrôle SHA-256 des fichiers ci-dessus)
- Dernier manifeste (alias modifiable, mis à jour à mesure que les instantanés sont publiés)
Les définitions des colonnes, la méthodologie et les règles de masquage figurent dans le README du jeu de données.
Citer ce classement
OpenRouter (2026). Résultats de recherche BrowseComp sur OpenRouter, instantané du 2026-11-16. https://dynamicsinfo.com/benchmarks/browsecomp. Sous licence CC BY 4.0.