在人工智能搜索与代理技术快速发展的今天，如何衡量一个 AI 系统的可靠性与准确性成为了行业关注的焦点。近日，知名 AI 搜索公司 Perplexity AI 正式对外发布了名为 WANDR 的新一代开源基准测试工具。WANDR 代表“Wide And Deep”，其核心目的在于严格评估当前的研究型 AI 代理在信息检索、验证以及引用溯源方面的综合能力。
WANDR 基准测试包含 500 个精心设计的任务，这些任务被定义为“证据密集型”。与传统的问答测试不同，WANDR 并不满足于 AI 仅给出一个模糊的答案，而是要求代理必须发现大量符合条件的实体，并且为每一个实体提供明确的引用来源。这种设计直接挑战了大型语言模型常见的“幻觉”问题，即 AI 随意编造事实或引用不存在的来源。通过这种高强度的测试，开发者可以清晰地看到 AI 代理在处理复杂信息时的短板。
此次测试的评估指标采用了 F1 分数，但分为“软 F1”和“硬 F1”两个维度。软 F1 侧重于整体答案的召回率和精确率，允许一定的容错空间；而硬 F1 则更为严苛，它要求 AI 必须精确匹配引用的文本片段，任何细微的偏差都会导致分数归零。在最新的测试结果中，Perplexity 自家的 Search as Code 模型表现抢眼，以软 F1 0.363 和硬 F1 0.133 的成绩位居榜首，证明了其在构建高可靠性研究代理方面的技术领先优势。
从行业影响来看，WANDR 的发布填补了现有 AI 评估标准中的空白。随着越来越多的企业和机构开始尝试将 AI 代理用于市场调研、学术分析和情报收集，单纯的语言生成能力已不足以满足需求，信息的“可验证性”成为了核心竞争力。WANDR 作为一个开源工具，将有助于整个 AI 社区统一评估标准，推动研究型 AI 向更加务实、可信的方向发展。
此外，WANDR 强调的“广泛搜索”与“深度搜索”两个维度，也预示着未来 AI 搜索工具的发展趋势。广泛搜索要求系统能够在海量数据中不遗漏关键信息，而深度搜索则要求系统具备批判性思维，对获取的信息进行交叉验证。这种能力对于需要处理复杂查询的专业人士来说，具有极高的应用价值。
综上所述，Perplexity AI 通过 WANDR 基准测试，不仅展示了自身的技术实力，也为整个行业提供了一套衡量 AI 研究代理能力的标尺。随着更多开发者的参与和模型的迭代，我们有理由相信，未来的 AI 搜索将更加精准、透明且具有可信赖度。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/07/19/perplexity-ai-releases-wandr-an-open-benchmark-evaluating-research-agents-that-must-search-wide-and-deep/
