Perplexity AI 于 7 月 15 日推出 WANDR(Wide ANd Deep Research),这是一个开源基准,用于衡量 AI 系统在有效执行大规模研究任务时的表现。此类任务需要广泛的信息检索以及对详细证据的核验。该基准包含 500 项逼真的数据收集任务,模拟专业知识工作,包括市场分析、尽职调查、文献综述和竞争情报,并由超过 170,000 条经来源验证的记录提供支撑。 与评估单一答案的传统基准不同,WANDR 衡量的是 AI 系统识别大量相关实体的能力,并用支持证据对每一项结果进行核验。在对 6 个已投入生产的 AI 系统进行评估中,Perplexity 的 Search as Code 平台凭借软 F1 分数 0.363 和硬 F1 分数 0.133 取得最高表现,其后是 Anthropic,分别为 0.249 和 0.072。这表明,基于大范围并由证据支撑的研究仍远未实现完全自动化。