Мультимодальні великі мовні моделі (MLLM) перетворюються на автономних агентів, здатних до мультимодального веб-перегляду та глибокого пошуку. Існуючі бенчмарки недостатні за складністю завдань, доступністю доказів та деталізацією оцінки. Ця стаття представляє BrowseComp-V^3, новий бенчмарк з 300 складними питаннями в різних доменах, що підкреслює глибоке багатошарове, крос-модальне, багатоступінчасте міркування з публічно доступними доказами для відтворюваності. Окрім точності остаточної відповіді, він включає оцінку процесу, керовану підцілями та перевірену експертами. Експерименти показують, що навіть найсучасніші моделі досягають лише 36% точності, підкреслюючи значні вузькі місця в інтеграції мультимодальної інформації та детальному сприйнятті.