Perplexity ra mắt benchmark WANDR để đánh giá năng lực nghiên cứu AI

Perplexity AI đã ra mắt WANDR (Wide ANd Deep Research), một bộ benchmark mở được thiết kế để đánh giá mức độ các hệ thống trí tuệ nhân tạo thực hiện hiệu quả các tác vụ nghiên cứu quy mô lớn, vào ngày 14 tháng 7 năm 2026. Khung này bao gồm 500 tác vụ thu thập dữ liệu thực tế, được mô phỏng theo công việc kiến thức của các chuyên gia, gồm phân tích thị trường, thẩm định kỹ lưỡng, tổng quan tài liệu, tình báo cạnh tranh, so sánh sản phẩm và tìm nguồn nhân tài. Bộ benchmark được công bố để giải quyết thách thức mà các hệ thống AI hiện nay gặp phải trong việc xác định một lượng lớn các thực thể liên quan và xác minh từng kết quả bằng các bằng chứng hỗ trợ. Theo Perplexity, ngay cả mô hình hoạt động tốt nhất trong đợt đánh giá của công ty cũng đạt điểm soft F1 là 0,363 và hard F1 là 0,133, cho thấy nghiên cứu trên diện rộng có gắn bằng chứng vẫn chưa thể tự động hóa hoàn toàn. Benchmark bao gồm hơn 170.000 bản ghi có nguồn trích dẫn trên tổng 500 tác vụ, tạo ra môi trường thử nghiệm quy mô lớn cho các tác nhân AI định hướng nghiên cứu trong một ngành mà việc bao phủ đầy đủ hàng trăm hoặc thậm chí hàng nghìn bản ghi là then chốt cho công việc kiến thức chuyên nghiệp.

Perplexity đánh giá sáu hệ thống nghiên cứu AI bằng benchmark WANDR

Perplexity đã đánh giá sáu hệ thống nghiên cứu AI sản xuất (production) bằng WANDR trong cùng điều kiện kiểm thử. Nền tảng Search as Code (SaC) của hãng đạt hiệu suất tổng thể cao nhất, ghi nhận soft F1 là 0,363 và hard F1 là 0,133. Anthropic xếp thứ hai với các điểm lần lượt 0,249 và 0,072, trong khi các hệ thống khác được đánh giá không vượt quá soft F1 là 0,121. Nghiên cứu cũng phát hiện rằng việc tăng chi phí tính toán nhìn chung cải thiện hiệu suất cho một số mô hình, dù chi phí cao hơn và thời gian xử lý dài hơn không phải lúc nào cũng dẫn đến kết quả tốt hơn.

Khác với các benchmark AI truyền thống tập trung vào việc tạo ra một câu trả lời duy nhất hoặc một báo cáo viết, WANDR đo khả năng của một hệ thống AI trong việc xác định một lượng lớn các thực thể liên quan và xác minh từng kết quả bằng các bằng chứng hỗ trợ. Bộ benchmark nhằm phản ánh đúng quy trình nghiên cứu trong thực tế, nơi thành công không chỉ phụ thuộc vào việc tìm ra thông tin chính xác mà còn vào việc đạt mức bao phủ đầy đủ trên hàng trăm hoặc thậm chí hàng nghìn bản ghi.

WANDR sử dụng quy trình đánh giá không cần tham chiếu để kiểm định nghiên cứu AI

WANDR sử dụng quy trình đánh giá không cần tham chiếu (reference-free) để xác minh từng tuyên bố được gửi lên dựa trên bằng chứng do chính hệ thống AI trích dẫn, thay vì đối chiếu với một đáp án cố định. Mọi tuyên bố đều được kiểm tra về chất lượng nguồn, độ chính xác về mặt thực tế, mức độ liên quan và việc các đoạn trích hỗ trợ có thực sự chứng minh cho thông tin được trình bày hay không. Cách tiếp cận này hướng tới phản ánh tốt hơn nghiên cứu ngoài đời thực, nơi thông tin thay đổi theo thời gian và việc duy trì đầy đủ bộ đáp án là khó khăn.

Benchmark cũng cung cấp các chẩn đoán chi tiết để xác định nơi các hệ thống AI thất bại trong các tác vụ nghiên cứu phức tạp. Hiệu suất có thể được đo qua nhiều giai đoạn, bao gồm khám phá thông tin, làm giàu dữ liệu, khớp danh tính, xác thực nguồn và trích xuất bằng chứng, giúp các nhà phát triển xác định điểm yếu ngoài các điểm số độ chính xác tổng thể.

Perplexity cho biết benchmark này được thiết kế để phục vụ như một nguồn tài nguyên mở cho các nhà nghiên cứu và nhà phát triển đang làm việc với các hệ thống tìm kiếm và nghiên cứu dựa trên AI. Ngoài việc làm benchmark, WANDR cũng có thể hỗ trợ các kỹ thuật học tăng cường (reinforcement learning) trong tương lai bằng cách cung cấp phản hồi có cấu trúc ở từng giai đoạn của quá trình nghiên cứu, giúp các mô hình AI cải thiện không chỉ độ chính xác về mặt thực tế mà còn cả khâu lập kế hoạch, mức độ bao phủ và thu thập bằng chứng trên quy mô lớn.

Câu hỏi thường gặp

Perplexity AI đã ra mắt gì vào ngày 14 tháng 7 năm 2026?

Perplexity AI đã ra mắt WANDR (Wide ANd Deep Research), một benchmark mở được thiết kế để đánh giá mức độ các hệ thống trí tuệ nhân tạo thực hiện các tác vụ nghiên cứu quy mô lớn, đòi hỏi cả việc khám phá thông tin diện rộng lẫn việc thu thập bằng chứng chi tiết.

Nền tảng Search as Code của Perplexity hoạt động như thế nào trong đánh giá WANDR?

Nền tảng Search as Code (SaC) của Perplexity đạt hiệu suất tổng thể cao nhất trong số sáu hệ thống nghiên cứu AI được đánh giá, ghi nhận soft F1 là 0,363 và hard F1 là 0,133.

Quy trình đánh giá không cần tham chiếu của WANDR xác minh điều gì?

Quy trình đánh giá không cần tham chiếu của WANDR xác minh từng tuyên bố được gửi lên dựa trên bằng chứng do chính hệ thống AI trích dẫn, kiểm tra chất lượng nguồn, độ chính xác về mặt thực tế, mức độ liên quan và việc các đoạn trích hỗ trợ có thực sự chứng thực cho thông tin được trình bày hay không.