host_process）内完成——先由 Harness 驱动被测 model 完成检索循环并给出最终答案，再由评委 model 判分。
工作原理
SGI Deep Research 一次运行分为推理与判题两个阶段。推理与判题
- 推理：被测 model 作为研究型 agent，在 Harness（默认
naive_search_agent）驱动下逐题完成搜索 / 网页访问等多轮工具循环，跨来源搜集证据，并产出一段详尽的自然语言研究性答案。 - 判题：评委 model（
judge_model）接收「问题 + 标准答案 + 被测答案」，套用内置的 A/B/C 判定协议进行打分。评委仅比对最终答案，忽略推理过程与格式差异，等价表达视为一致。评委与被测 model 是两个独立端点，须显式指定judge_model。
A/B/C 判定
评委只给出一个判定结果，其中仅 A 记为正确：- A —— 正确：答案在语义上命中标准答案（允许等价表达与格式差异）。
- B —— 错误：与标准答案存在任何偏差。
- C —— 无效（未完成 / 重复 / 拒绝）：答案不完整（中途截断）、循环重复，或明确拒答。
参数
通过--benchmark-params '{...}' 传入一段 JSON；也可写进 --config 指定 YAML 的 benchmark.params 块，同名项以命令行为准。合并与优先级见 Benchmark 概览。
参数总览
| 参数 | 类型 | 默认值 | 可选值 / 取值 | 说明 |
|---|---|---|---|---|
judge_model | 字典 | null | id, base_url, api_key, api_protocol, params | 评委 model 配置，必填（见 评委 model 配置）。判分由它裁定，非命令行的 —model-*。 |
category | 字符串 / 列表 | ”all" | "all”、life、earth、material、physics、mathematics、neuroscience、information、astronomy、chemistry、energy | 按类别筛选任务；“all” = 不过滤，传入列表时取并集。各类别任务数——生命（87）、地球（54）、材料（38）、物理（32）、数学（25）、神经科学（24）、信息科学（20）、天文学（17）、化学（11）、能源（10），合计 318 条。 |
sample_ids 等共享字段遵循 Benchmark 参数 的约定；多次尝试使用 --k 和 --attempt-strategy，详见指标与聚合。
评委 model 配置
judge_model 以字典形式传入，包含 id、base_url、api_key、api_protocol 和 params，指向评委 model 的独立端点，model 推理参数放在 params 下。
建议 固定使用同一个评委 评测所有被测 model。判分结果直接决定成绩，更换评委后成绩即失去横向可比性；同时不应让被测 model 充当自身的评委，否则既不公正也失去对照意义。评委无需特别强——A/B/C 判据（语义命中）相对客观，中等规模 model 即可胜任。AgentCompass 推荐 Qwen3.6-35B-A3B。
运行示例
agentcompass run 的三个位置参数依次为 Benchmark、Harness 和 Model；以下使用 sgi_deep_research、naive_search_agent 和 $MODEL_NAME，运行环境为 host_process。
运行前，在当前终端设置以下环境变量：
- 被测 Model：
MODEL_NAME、MODEL_BASE_URL、MODEL_API_KEY，设置方法见 Model 接入配置。 - 评委 Model：
JUDGE_MODEL_NAME、JUDGE_MODEL_BASE_URL、JUDGE_MODEL_API_KEY，使用独立且固定的评委配置。 - 检索工具：
SERPER_API_KEY和JINA_API_KEY，分别供search和visit使用。
- 冒烟测试（单条跑通）
- 自定义参数
- AgentCompass 推荐配置
通过
sample_ids 仅评测一条任务，用于验证推理与判题的端到端流程是否正常，其余参数使用默认值。评测结果
通用结果说明见运行目录、汇总成绩和单题文件与公共字段。评分指标
SGI Deep Research 的主指标是二元correct：按前文的 A/B/C 判定，A 对应 true，B/C 对应 false，不提供部分分。
默认配置下，每题尝试一次，总体成绩为有效计分任务的准确率，取值为 0–1，越高越好。例如，100 道题均取得有效判定，其中 63 道正确，报告中的 0.63 即 63%。使用 category 或 sample_ids 筛选任务后，成绩只覆盖所选任务。
多次尝试、分类聚合和计分异常的处理见指标与聚合。
单题结果与评分依据
每次尝试评分成功后，meta.benchmark 下的 scoring 保存以下信息：
该评分记录保留判定和比对的答案，不保存评委的原始回复或推理说明。