Perplexity AI 于 2026 年 7 月 14 日推出 WANDR（Wide ANd Deep Research），这是一项开放基准，旨在评估人工智能系统在大规模研究任务中的表现效果。该框架包含 500 项逼真的数据采集任务，这些任务模拟专业知识工作，包括市场分析、尽职调查、文献综述、竞争情报、产品对比以及人才挖掘。该基准的推出是为了应对当前 AI 系统面临的挑战：它们在识别大量相关实体以及用支撑证据验证每个结果方面仍存在困难。据 Perplexity 称，在公司评估中表现最好的模型也仅取得了软 F1 分数 0.363 和硬 F1 分数 0.133，这表明基于广泛范围且配有证据支撑的研究仍远未实现完全自动化。该基准在其 500 项任务中包含超过 170,000 条带来源支撑的记录，为研究导向型 AI 代理提供了大规模测试环境，而在专业知识工作需要对数百或数千条记录进行全面覆盖的行业中，这种环境至关重要。
Perplexity 使用 WANDR 基准评估六种 AI 研究系统
Perplexity 在相同测试条件下，使用 WANDR 评估了六种投入生产的 AI 研究系统。其 Search as Code（SaC）平台取得最高的综合表现，记录软 F1 分数 0.363 和硬 F1 分数 0.133。Anthropic 排名第二，分数分别为 0.249 和 0.072，而其他被评估系统的软 F1 分数均未超过 0.121。研究还发现，对于多种模型而言，增加计算投入通常可以提升性能，尽管更高成本和更长处理时间并不总能带来更好的结果。
与聚焦生成单一答案或书面报告的传统 AI 基准不同，WANDR 衡量的是 AI 系统识别大量相关实体并用支撑证据验证每个结果的能力。该基准旨在反映真实世界的研究工作流，在这种工作流中，成功不仅取决于找到准确信息，还取决于在数百甚至数千条记录范围内实现全面覆盖。
WANDR 采用无参考评估流程来验证 AI 研究
WANDR 使用一种无参考的评估流程：将每一条提交的主张与 AI 系统所引用的证据进行核验，而不是与固定答案密钥进行对比。每一条主张都会被检查其来源质量、事实准确性、相关性，以及所提供的支持摘录是否确实能够支撑所呈现的信息。该方法旨在更好地贴近真实世界的研究：信息会随时间变化，而完整的答案集也难以长期维护。
该基准还提供详细诊断，用于识别 AI 系统在复杂研究任务中失败的环节。性能可在多个阶段进行衡量，包括信息发现、数据丰富、身份匹配、来源验证以及证据提取，这使得开发者能够定位总体准确性分数之外的薄弱点。
Perplexity 表示，该基准旨在为从事 AI 驱动的搜索与研究系统的研究者和开发者提供一项开放资源。在基准测试之外，WANDR 还可能通过在研究过程每个阶段提供结构化反馈，支持未来的强化学习技术，使 AI 模型不仅能够提升事实准确性，还能在规模化层面改进规划、覆盖范围以及证据收集能力。
常见问题
Perplexity AI 在 2026 年 7 月 14 日推出了什么？
Perplexity AI 于 2026 年 7 月 14 日推出了 WANDR（Wide ANd Deep Research），这是一项开放基准，旨在评估人工智能系统在大规模研究任务中的表现效果，而这类任务既需要广泛的信息发现，也需要详尽的证据采集。
Perplexity 的 Search as Code 平台在 WANDR 评估中表现如何？
Perplexity 的 Search as Code（SaC）平台在六种被评估的 AI 研究系统中取得最高的综合表现，记录软 F1 分数 0.363 和硬 F1 分数 0.133。
WANDR 的无参考评估流程验证什么？
WANDR 的无参考评估流程会将每一条提交的主张与 AI 系统引用的证据进行核验：检查来源质量、事实准确性、相关性，以及所提供的支持摘录是否确实能够支撑所呈现的信息。
