Perplexity AIは、人工知能システムが大規模なリサーチ業務をどれほど効果的に実行できるかを評価するために設計されたオープンベンチマーク「WANDR（Wide ANd Deep Research）」を、2026年7月14日に導入しました。フレームワークには、プロフェッショナルの知識業務をモデル化した500の現実的なデータ収集タスクが含まれており、市場分析、デューデリジェンス、文献レビュー、競合インテリジェンス、製品比較、タレント・ソーシングなどが扱われます。このベンチマークは、現行のAIシステムが大量の関連エンティティを特定し、さらに各結果を裏付けとなるエビデンスで検証することが難しいという課題に対処するために立ち上げられました。Perplexityによれば、同社の評価で最高性能のモデルでさえ、ソフトF1スコア0.363、ハードF1スコア0.133にとどまり、大規模でエビデンスに裏打ちされたリサーチが完全に自動化されるにはまだ遠いことを示しています。このベンチマークには、500のタスクにまたがって170,000件超の出典に裏付けられたレコードが含まれており、何百件、何千件ものレコードにわたる包括的なカバーがプロフェッショナルの知識業務において重要となる業界で、リサーチ志向のAIエージェントのための大規模なテスト環境を提供します。
PerplexityはWANDRベンチマークで6つのAIリサーチシステムを評価
Perplexityは、同一のテスト条件のもとで、WANDRを使って6つの実運用AIリサーチシステムを評価しました。Search as Code（SaC）プラットフォームは最高の総合性能を達成し、ソフトF1スコア0.363、ハードF1スコア0.133を記録しました。Anthropicは2位で、それぞれ0.249と0.072でした。一方で、他の評価対象システムはソフトF1スコア0.121を超えませんでした。この研究ではまた、いくつかのモデルにおいて計算コスト（計算努力）を増やすと総じて性能が向上するものの、コストの増加や処理時間の長さが必ずしもより良い結果につながるとは限らないことも分かりました。
単一の回答や文章レポートの生成に焦点を当てる従来型のAIベンチマークとは異なり、WANDRは、AIシステムが大量の関連エンティティを特定し、各結果を裏付けとなるエビデンスで検証できる能力を測定します。このベンチマークは、成功が正確な情報を見つけることだけでなく、数百件、あるいは数千件のレコードにわたる包括的なカバーを達成することにも依存する現実のリサーチのワークフローを反映することを意図しています。
WANDRはAIリサーチ検証のために参照不要（reference-free）の評価プロセスを採用
WANDRでは、固定の模範解答（答え合わせ表）と照合するのではなく、AIシステムが提示したエビデンスに対して、提出された各クレームを検証する参照不要の評価プロセスを用います。すべてのクレームは、出典の質、事実の正確性、関連性、そして提示された情報を裏付ける支持抜粋が、その内容を本当に実証しているかどうかについて確認されます。このアプローチは、情報が時間とともに変化し、完全な答えセットを維持することが難しい現実のリサーチをより正確に反映することを目的としています。
また、このベンチマークは、複雑なリサーチタスクの途中でAIシステムがどこで失敗するのかを特定するための詳細な診断も提供します。性能は、情報発見、データの充実化、アイデンティティの照合、出典の検証、エビデンス抽出といった複数の段階にわたって測定できるため、開発者は総合的な正確性スコアを超えて弱点を突き止められます。
Perplexityは、このベンチマークが、AIを活用した検索・リサーチシステムに取り組む研究者や開発者のためのオープンなリソースとして機能することを意図していると述べています。ベンチマークとしての用途に加えて、WANDRは、リサーチプロセスの各段階で構造化されたフィードバックを提供することで、将来の強化学習の手法を支える可能性もあります。これにより、AIモデルは大規模において、事実の正確性だけでなく、計画、カバー範囲、エビデンス収集を改善できるようになります。
よくある質問
2026年7月14日にPerplexity AIは何を発表（導入）しましたか？
Perplexity AIはWANDR（Wide ANd Deep Research）を導入しました。これは、広範な情報の発見と詳細なエビデンス収集の両方が必要となる大規模リサーチタスクに対して、人工知能システムがどれほど効果的に対応できるかを評価するためのオープンなベンチマークです。
WANDRの評価で、PerplexityのSearch as Codeプラットフォームはどのような結果でしたか？
PerplexityのSearch as Code（SaC）プラットフォームは、評価対象6つのAIリサーチシステムの中で最高の総合性能を達成し、ソフトF1スコア0.363、ハードF1スコア0.133を記録しました。
WANDRの参照不要（reference-free）の評価プロセスは何を検証しますか？
WANDRの参照不要の評価プロセスは、AIシステムが引用したエビデンスに基づいて、提出された各クレームを検証します。具体的には、出典の質、事実の正確性、関連性、そして提示された情報を裏付ける支持抜粋がその内容を本当に裏付けているかどうかを確認します。
