SearchHorizonBench：45632 次执行教会 AI Agent 判断「再搜一次值不值」

SearchHorizonBench 发布，用 3168 个问题、45632 次执行评测 AI Agent 是否值得再发起一次搜索。在 1632 个保留问题上，历史校准使 Brier 误差降低 16.2%；搜索收益标准差达 21.4 个百分点，而现有历史估计器在点估计上解释的方差不足 2%。