Perplexity AI akan merilis WANDR, sebuah tolok ukur yang dirancang untuk mengevaluasi seberapa baik agen AI menangani tugas penelitian kompleks dan berlapis-lapis. Rilis sumber terbuka ini memberikan cara standar bagi pengembang dan peneliti untuk mengukur apakah sistem AI mereka benar-benar mampu melakukan pekerjaan investigasi serius.
WANDR, yang merupakan singkatan dari Wide and Nuanced Deep Research, dirancang khusus untuk tugas "penelitian luas" yang menuntut pencarian luas dan investigasi mendalam, selaras dengan kemampuan Perplexity Computer.
Apa yang sebenarnya diukur oleh WANDR
Benchmark ini dirancang untuk mencerminkan beban kerja yang menuntut biasanya ditemukan di lingkungan penelitian profesional, melampaui sekadar pertanyaan-jawab atau ringkasan dokumen tunggal.
Perplexity menempatkan WANDR sebagai evolusi dari kerangka evaluasi sebelumnya seperti WideSearch, mencerminkan pergeseran menuju beban kerja profesional yang lebih realistis.
Benchmark ini muncul bersama kerangka kerja "Search as Code" (SaC) dari Perplexity, yang memperlakukan permintaan penelitian sebagai alur kerja yang dapat diprogram, bukan sekadar string pencarian sederhana. Dalam evaluasi awal pada 1 Juni 2026, implementasi SaC dari Perplexity mendapat skor 0,386 pada benchmark WANDR. Skor terbaik berikutnya adalah 0,152, artinya sistem Perplexity unggul 2,5 kali lipat dibanding pesaing terdekatnya.
Koneksi Perplexity Computer
WANDR secara langsung terkait dengan Perplexity Computer, produk agen AI perusahaan yang mengoordinasikan beberapa model untuk menangani tugas penelitian dan alur kerja yang kompleks. Benchmark ini berfungsi sebagai lapisan evaluasi untuk jenis pekerjaan yang dirancang untuk dilakukan oleh Perplexity Computer.
Pada Februari 2026, Perplexity melepaskan DRACO benchmark sebagai alat evaluasi lain yang bertujuan memajukan pemahaman kolektif tentang kemampuan AI. WANDR mengikuti pola yang sama.
Pada 11 Juli 2026, Grok 4.5 dari xAI mencapai skor teratas di WANDR saat digunakan bersama Perplexity Computer, menunjukkan bahwa sistem pihak ketiga dapat berkinerja baik pada benchmark tersebut.