Perplexity 发布 WANDR，想绕开那些被反复刷榜、区分度越来越低的学术基准。这套评测专门针对专业研究工作流，Perplexity 说自己在这类指标上领先竞品约 2.5 倍。

专有评测为什么开始替代公共榜单

• 公共基准被优化过头了，已经很难预测系统实际部署时的表现。
• WANDR 围绕专业研究工作负载设计，测的是系统级能力，不是单点学术题。
• Search as Code 任务上，Perplexity 得分 0.386，次优系统 0.152；差距这么大，部分原因是还没人专门针对这套评测做优化。
• 之前的 DRACO 也是这个规律：针对具体领域的评分细则能暴露出通用分数看不出来的能力差距。

对竞争性研究代理意味着什么

• 竞品得尽快搞自己的内部评测，不然在企业买方关心的指标上会越来越边缘。
• 工作负载拟真度成了关键，光看模型规模和参数已经不够用了。

| 叙事 | 证据 | 对行业的影响 | 我的判断 | |---|---|---|---| | Perplexity 在实际研究任务上领先 | WANDR 分数和 DRACO 方法论 | 关注点从模型规模转向 Agentic Search | 在看重工作流拟真的买方那里更占优 | | 老牌玩家轻视内部评测 | 还没第三方验证 | 企业信任建立会变慢 | 采用节奏会放缓，光靠公共榜单的假设站不住脚 | | 开放研究承压 | 评测强调专业任务镜像 | 实验室转向专有评测 | 开源得补上工作负载专属测试才能跟上 | | 投资者盯着模型发布 | 强调 Search as Code 架构 | 资金转向部署工具链 | 市场低估了面向企业产出的系统优化，高估了榜单分数 |

• 模型规模不再是核心变量。 WANDR 更看重系统级的检索与代码生成协同能力。
• 对企业买方的信号更清晰（前提是公开评分细则，可参考 DRACO 的透明度）。
• 一体化能力（浏览器 + 代码执行 + 代理基础设施）更吃香，松散耦合的模型供给会吃亏。

重要性：中等
分类：AI Research，Technical Insight，Industry Trend

Bottom line： 现阶段，围绕具体工作负载建评测的团队占先；还在迷信公共榜单的投资叙事会被动，叙事切换时风险敞口更大。

Verdict： 这条叙事上，提前布局的人仍属于"早期"。最有优势的是面向企业工作流构建一体化代理和评测工具链的 Builder，其次是能在采购指标和工具链上重配仓位的基金。光盯着公共榜单做二级交易的 Trader 在这条线上没什么优势。