Perplexity AI 於 2026 年 7 月 14 日推出 WANDR（Wide ANd Deep Research），這是一個開放基準，用於評估 AI 系統在大規模研究任務上的表現能力。該框架包含 500 個逼真的資料蒐集任務，這些任務以專業知識工作為模型，包括市場分析、盡職調查、文獻回顧、競品情報、產品比較以及人才招募。該基準的推出是為了回應目前 AI 系統在辨識大量相關實體，並為每一項結果提供可佐證證據方面所面臨的挑戰。根據 Perplexity，即便是公司評測中表現最佳的模型，其軟式 F1 分數為 0.363、硬式 F1 分數為 0.133，顯示以廣泛規模並以證據為後盾的研究，仍遠未能被完全自動化。該基準在 500 個任務中，納入超過 170,000 筆由來源支撐的紀錄，為以研究為導向的 AI 代理提供大規模測試環境；而在對於專業知識工作而言，涵蓋數百或數千筆紀錄至關重要的產業中，這種環境更顯得關鍵。
Perplexity 使用 WANDR 基準評估 6 個 AI 研究系統
Perplexity 在相同測試條件下，使用 WANDR 評估六個量產的 AI 研究系統。其中，其 Search as Code（SaC）平台達到最高的整體表現，軟式 F1 分數為 0.363、硬式 F1 分數為 0.133。Anthropic 排名第二，分數為 0.249 與 0.072；而其他被評估的系統則未超過軟式 F1 分數 0.121。研究也發現，增加運算投入通常能提升多數模型的表現；但更高成本與更長處理時間並不總能帶來更好的結果。
與聚焦於生成單一答案或書面報告的傳統 AI 基準不同，WANDR 衡量的是 AI 系統能否辨識大量相關實體，並針對每一項結果用支撐證據進行驗證。該基準旨在貼近真實世界的研究工作流程：成功不僅取決於找出正確資訊，還取決於能否在數百甚至數千筆紀錄中做到全面涵蓋。
WANDR 透過無參考的評估流程驗證 AI 研究
WANDR 採用無參考的評估流程：會將每一項提交的主張，與 AI 系統所引用的證據進行核對，而不是拿結果去比對一份固定的答案對照表。每一項主張都會被檢查來源品質、事實正確性、相關性，以及所附摘錄是否確實能夠支撐所呈現的資訊。這種方式旨在更貼近真實世界的研究情境，因為資訊會隨時間變動，而完整的答案集合也難以維持。
該基準也提供詳細診斷，用以辨識 AI 系統在複雜研究任務中失敗的環節。效能可在多個階段量測，包括資訊發現、資料強化、身分比對、來源驗證以及證據摘錄，讓開發者能夠找出超越整體準確度分數之外的弱點。
Perplexity 表示，該基準旨在成為供研究者與開發者使用的開放資源，協助 AI 驅動的搜尋與研究系統。除基準測試之外，WANDR 也可能透過在研究流程的每個階段提供結構化回饋，支援未來的強化學習技術；讓 AI 模型不僅能提升事實正確性，也能在規模化條件下改善規劃、涵蓋與證據蒐集能力。
常見問題
Perplexity AI 於 2026 年 7 月 14 日推出了什麼？
Perplexity AI 推出了 WANDR（Wide ANd Deep Research），這是一個開放基準，用於評估 AI 系統在需要「廣泛資訊發現」與「詳細證據蒐集」的、大規模研究任務上的表現。
Perplexity 的 Search as Code 平台在 WANDR 評估中的表現如何？
Perplexity 的 Search as Code（SaC）平台在六個被評估的 AI 研究系統中達到最高整體表現，軟式 F1 分數為 0.363、硬式 F1 分數為 0.133。
WANDR 的無參考評估流程驗證什麼？
WANDR 的無參考評估流程會將每一項提交的主張，與 AI 系統所引用的證據進行核對；並檢查來源品質、事實正確性、相關性，以及所附摘錄是否確實能夠支撐所呈現的資訊。
