Perplexity Lança WANDR: Um Novo Benchmark para Avaliar Agentes de Pesquisa Abrangente

O WANDR não é só mais um benchmark: é um espelho que expõe a fragilidade real dos agentes de IA em tarefas que humanos fazem rotineiramente, como mapear competidores, fazer due diligence ou revisar literatura científica. Ele testa 500 tarefas reais, construídas a partir de padrões observados no uso prático da Perplexity, não de prompts artificiais. Cada tarefa exige uma árvore hierárquica de dados: por exemplo, encontrar 70 empresas com novos CEOs/CFOs entre março e abril de 2026, depois obter para cada uma uma página de anúncio oficial *e* outra de listagem em bolsa, dois ramos independentes, mas alinhados pelo mesmo identificador de empresa. Isso força o agente a equilibrar descoberta ampla (não deixar nenhuma empresa fora) com profundidade precisa (não pular nenhum requisito de evidência). A nota mais alta? 0,133 em F1 'hard', ou seja, menos de 1 em cada 7 itens completos atendeu a todos os critérios. O problema não está na busca inicial: até 95% das empresas são encontradas. Está no que vem depois, na extração correta de trechos, na validação cruzada de fontes e na manutenção da qualidade ao escalar.

Isso coloca o WANDR em contraste direto com outros benchmarks lançados em julho de 2026: o CursorBench 3.1 mede codificação multifile, o LifeSciBench avalia raciocínio em ciências da vida e o Claude Science AI Workbench foca em colaboração científica. Já o WANDR é o primeiro a isolar e quantificar o gargalo estrutural da pesquisa abrangente, não o 'quanto o modelo sabe', mas 'quanto ele consegue coletar, organizar e provar, sem falhar no 499º item'. E sua metodologia de avaliação baseada em recuperação e verificação de páginas citadas, não em gabaritos fixos, torna-o adaptável a domínios onde as respostas mudam diariamente, como finanças ou regulação.

A diferença é técnica e operacional: em junho de 2026, a Perplexity apresentou o Search as Code (SaC), uma arquitetura que transforma a busca em código executável, permitindo que agentes orquestrem filtros, joins e verificações fora do contexto do modelo. Agora, no WANDR, esse mesmo SaC é testado como sistema, e lidera com 0,363 em F1 'soft', superando todos os concorrentes. Mas o salto não está só no desempenho: é na forma como o benchmark foi construído. Enquanto o DRACO (lançado antes) avaliava relatórios longos com profundidade única, o WANDR introduz uma gramática de hierarquias flexíveis, com até três níveis intermediários, e mostra que a cada novo nível, a taxa de sucesso cai drasticamente: a precisão 'hard' do SaC cai de 0,392 para 0,019 ao passar de zero para três chaves intermediárias. Ou seja, o que era rumor sobre limitações estruturais virou medição objetiva.

Porque pesquisa ampla e profunda não é um caso de uso marginal, é o coração do trabalho de analistas, advogados, cientistas e jornalistas. Um erro de cobertura em due diligence pode custar milhões. Um estudo científico com lacunas na revisão da literatura compromete toda a conclusão. O WANDR mostra que, mesmo em 2026, nenhum agente consegue entregar isso de forma confiável em escala. E isso tem impacto direto em quem já usa agentes para essas tarefas: o baixo recall 'hard' significa que sistemas atuais subentendem que 'achar alguns bons exemplos' basta, quando o mundo real exige 'achar *todos* os casos válidos, com provas para cada um'. A consequência prática é clara: até que essa lacuna seja fechada, agentes devem ser usados como assistentes de triagem, não como substitutos de verificação humana final.

Repositório oficial: perplexityai/wandr