Perplexity lanza el benchmark WANDR para evaluar las capacidades de investigación de la IA

Perplexity AI presentó WANDR (Wide ANd Deep Research), un benchmark abierto diseñado para evaluar qué tan bien los sistemas de inteligencia artificial realizan tareas de investigación a gran escala, el 14 de julio de 2026. El framework incluye 500 tareas realistas de recopilación de datos modeladas sobre trabajo profesional de conocimiento, como análisis de mercado, due diligence, revisiones de literatura, inteligencia competitiva, comparaciones de productos y búsqueda de talento. El benchmark se lanzó para abordar el reto de que los sistemas de IA actuales tienen problemas para identificar grandes cantidades de entidades relevantes y verificar cada resultado con evidencia de respaldo. Según Perplexity, incluso el modelo con mejor desempeño en la evaluación de la compañía logró una puntuación soft F1 de 0,363 y una puntuación hard F1 de 0,133, lo que indica que la investigación amplia y respaldada por evidencia todavía dista mucho de estar completamente automatizada. El benchmark incluye más de 170.000 registros respaldados por fuentes en sus 500 tareas, lo que ofrece un entorno de pruebas a gran escala para agentes de IA orientados a la investigación en una industria donde la cobertura integral a través de cientos o miles de registros es crítica para el trabajo profesional de conocimiento.

Perplexity evalúa seis sistemas de investigación con IA usando el benchmark WANDR

Perplexity evaluó seis sistemas de investigación con IA en producción usando WANDR en condiciones de prueba idénticas. Su plataforma Search as Code (SaC) logró el mejor rendimiento general, registrando una puntuación soft F1 de 0,363 y una puntuación hard F1 de 0,133. Anthropic quedó en segundo lugar con puntuaciones de 0,249 y 0,072, mientras que los otros sistemas evaluados no superaron una puntuación soft F1 de 0,121. El estudio también encontró que aumentar el esfuerzo computacional generalmente mejoró el rendimiento de varios modelos, aunque los costos más altos y los tiempos de procesamiento más largos no se tradujeron de forma consistente en mejores resultados.

A diferencia de los benchmarks de IA tradicionales, que se centran en generar una sola respuesta o un informe escrito, WANDR mide la capacidad de un sistema de IA para identificar grandes cantidades de entidades relevantes y verificar cada resultado con evidencia de respaldo. El benchmark pretende reflejar flujos de trabajo de investigación del mundo real, donde el éxito depende no solo de encontrar información precisa, sino también de lograr una cobertura integral a través de cientos o incluso miles de registros.

WANDR usa un proceso de evaluación sin referencias para validar investigación con IA

WANDR utiliza un proceso de evaluación sin referencias que verifica cada afirmación presentada frente a la evidencia citada por el propio sistema de IA, en lugar de comparar los resultados con una clave de respuestas fija. Cada afirmación se comprueba por calidad de la fuente, exactitud factual, relevancia y si los extractos de respaldo realmente sustentan la información presentada. Este enfoque está pensado para reflejar mejor la investigación del mundo real, donde la información cambia con el tiempo y es difícil mantener conjuntos de respuestas completos.

El benchmark también ofrece diagnósticos detallados para identificar en qué fallan los sistemas de IA durante tareas complejas de investigación. El rendimiento puede medirse en múltiples etapas, incluida la búsqueda de información, el enriquecimiento de datos, la coincidencia de identidades, la validación de fuentes y la extracción de evidencia, lo que permite a los desarrolladores detectar debilidades más allá de las puntuaciones globales de precisión.

Perplexity dijo que el benchmark está destinado a servir como un recurso abierto para investigadores y desarrolladores que trabajan en sistemas de búsqueda e investigación impulsados por IA. Más allá de hacer benchmarking, WANDR también podría respaldar futuras técnicas de aprendizaje por refuerzo al proporcionar retroalimentación estructurada en cada etapa del proceso de investigación, permitiendo que los modelos de IA mejoren no solo la exactitud factual, sino también la planificación, la cobertura y la recopilación de evidencia a escala.

Preguntas frecuentes

¿Qué lanzó Perplexity AI el 14 de julio de 2026?

Perplexity AI lanzó WANDR (Wide ANd Deep Research), un benchmark abierto diseñado para evaluar qué tan efectivamente los sistemas de inteligencia artificial realizan tareas de investigación a gran escala que requieren tanto la búsqueda amplia de información como la recopilación detallada de evidencia.

¿Cómo se desempeñó la plataforma Search as Code de Perplexity en la evaluación WANDR?

La plataforma Search as Code (SaC) de Perplexity logró el mejor rendimiento general entre seis sistemas de investigación con IA evaluados, registrando una puntuación soft F1 de 0,363 y una puntuación hard F1 de 0,133.

¿Qué verifica el proceso de evaluación sin referencias de WANDR?

El proceso de evaluación sin referencias de WANDR verifica cada afirmación presentada frente a la evidencia citada por el sistema de IA, comprobando la calidad de la fuente, la exactitud factual, la relevancia y si los extractos de respaldo realmente sustentan la información presentada.