核心信息

Perplexity在推WANDR的时候，重点不是再搞一套死benchmark，而是现场去抓AI回答里引用的那些页面，然后用这些新内容来检查回答里的说法准不准。

摘要

WANDR干的事很简单：

• 把每个被引用的网页重新抓一遍
• 看看AI回答里的claim还能不能被页面现在的内容撑住
• 这样能减少事实变化快的问题里，旧测试集失效带来的问题

关键在于：问题要是靠最新事实，固定答案集很快就过时，实时核验才更像实际用的时候。

分析

传统评测就像对着答案表打分，但WANDR看的是来源现在还靠不靠谱。

| 评估方式 | 核心依据 | 主要风险 | 更适合的场景 | | --- | --- | --- | --- | | 静态 benchmark | 固定题目与固定答案 | 数据过期后仍可能给出看似漂亮的分数 | 稳定知识、模型横向比较 | | WANDR 式核验 | 实时抓取的引用页面 | 依赖引用质量与页面可访问性 | 事实变化快、需要可追溯来源的问题 |

这也说明为什么跟Perplexity的路子对得上：Perplexity重搜索结果和引用链，WANDR把核验做到实处，能抓出两种问题：

• 回答看着合理，但来源其实不支持
• 用了老信息，还装成现在的事

对企业和研究来说，能追溯来源比单个benchmark分数更有用。因为实际业务不是考模型对了多少，而是关键结论能不能找到源头、能不能复核、能不能扛住事实更新。

影响评估

重要性：中等

分类：技术洞察、AI研究、开发者工具

Verdict: 对已经在搞AI搜索、知识库或企业agent的团队来说，这东西还在早期但有实际好处；对只看模型排名的那些人，基本没啥关系。