Perplexity 已开源 WANDR,这是一个内部基准,旨在评估 AI 代理的深度和广度研究能力。WANDR 包含 500 项研究任务,需要跨三个难度级别超过 170,000 条来源支持的记录。WANDR 不依赖于黄金解决方案,而是重新抓取引用的页面,以根据底层证据验证声明,从而实现时变事实并提供密集、可解释的评估信号。 AI
影响 为 AI 代理提供了一个新的、基于证据的评估框架,有可能推动事实核查和研究能力的改进。
排序理由 用于 AI 代理评估的内部基准的开源。
AI 生成摘要 · Google Gemini · 来自 7 个来源。 我们如何撰写摘要 →