WANDR
Perplexity内部开发的AI Agent评估基准，全称Web Agent Navigation and Decision Reasoning，用于衡量模型在真实多步骤任务链条中的规划、执行与结果准确性，兼顾性能与成本两个维度
时间轴 (近 90 天)
Perplexity 的早期评测样本可能有限，且 WANDR 基准细节未公开，结论外推需谨慎
WANDR 基准测试的评测维度通常包括信息覆盖率、事实准确性、论证连贯性和综合归纳质量
Gemini 4 Carbon 在 Wide-And-Deep-Research（WANDR）基准测试中刷新了 SoTA
WANDR 是一个同时考察信息广度检索与深度挖掘的基准测试，针对研究型 Agent 的综合评测。
谷歌新一代模型Gemini 4 Argon在基准测试WANDR上刷新了纪录。
WANDR并非广泛认知的基准测试，其具体评测维度尚不明确。
WANDR 是面向广度与深度研究智能体的评测基准，包含 500 个任务，每个任务需要 17 万条带来源支撑的记录
WANDR 是 Perplexity 用于评估 Agent 类任务表现的内部基准
不同厂商的内部 Agent 基准之间横向对比意义有限，同一基准内的纵向迭代对比更可靠
0.610 的 WANDR 得分不意味着模型在60%的任务上完全成功，实际部分完成率与任务复杂度分布相关
还有 4 条时间轴事件
全部知识事实 (13)
WANDR 基准测试的评测维度通常包括信息覆盖率、事实准确性、论证连贯性和综合归纳质量
50%待验证Gemini 4 Carbon 在 Wide-And-Deep-Research（WANDR）基准测试中刷新了 SoTA
50%待验证Perplexity 的早期评测样本可能有限，且 WANDR 基准细节未公开，结论外推需谨慎
50%待验证WANDR 是一个同时考察信息广度检索与深度挖掘的基准测试，针对研究型 Agent 的综合评测。
50%待验证WANDR并非广泛认知的基准测试，其具体评测维度尚不明确。
50%待验证WANDR 是面向广度与深度研究智能体的评测基准，包含 500 个任务，每个任务需要 17 万条带来源支撑的记录
50%待验证不同厂商的内部 Agent 基准之间横向对比意义有限，同一基准内的纵向迭代对比更可靠
50%待验证在 WANDR 基准测试中，Claude Opus 5.5 取得 0.610 的得分
50%待验证Claude Opus 5.5 在 WANDR 基准测试中的单任务成本为 $4.13
50%待验证WANDR 是 Perplexity 用于评估 Agent 类任务表现的内部基准
50%待验证0.610 的 WANDR 得分不意味着模型在60%的任务上完全成功，实际部分完成率与任务复杂度分布相关
50%待验证根据官方在 WANDR 基准测试上的数据，Grok 4.6 位于性能与效率的帕累托前沿
50%待验证Grok 4.6 在 WANDR 上能够匹配 Fable 5 的测试结果，而成本降低了 60% 以上
50%