Perplexity

資料來源#

• DRACO: a Cross-Domain Benchmark for Deep Research Accuracy, Completeness, and Objectivity

摘要#

Perplexity 是一家 AI 答案引擎／搜尋公司。在本資料集中，它是 DRACO 基準測試的作者（arXiv:2602.11685，2026 年 2 月，與一位 Harvard 合著者共同完成），也是 Perplexity Deep Research 的製作者；後者是能動式 deep-research 系統，在該基準測試的每個領域與評分規準軸上都名列第一。它是本 wiki 中第一個其貢獻屬於生產環境來源評估的供應商；這項評估取自其自身的部署流量。

它做什麼（在本資料集中）#

• Perplexity Deep Research — 一個深度研究代理，會拆解查詢、反覆從許多來源擷取資料，並綜合成附有引用的報告。在 DRACO 上，它的標準化分數為 70.5%（Opus 4.6 基礎模型）／72.8% 通過率，領先 Gemini Deep Research、OpenAI Deep Research（o3／o4-mini），以及未經編排、搭配工具的 Claude Opus 4.5/4.6。其特徵是：在深度研究系統中同時擁有最高分數與最低延遲，輸入 token 足跡也最大（約 779k／任務）——偏重擷取、精簡輸出。
• DRACO — Perplexity 從自家的 Deep Research 查詢中抽樣數千萬筆（2025 年 9 月至 10 月），接著去識別化、擴充、篩選並策展成 100 個由專家評分規準評測的任務（Production-Sourced Evaluation）。已在 Hugging Face 公開發布。

值得注意的結構性事實：客戶也是競爭者#

Perplexity Deep Research 使用 Claude Opus 4.5 / 4.6 作為其基礎模型（依據論文的實驗設定）。因此在 DRACO 上，Perplexity 的編排式產品（以 Opus 為基礎）會與未經編排的 Anthropic Opus 模型進行基準比較——而且以約 10 個百分點擊敗它們。Perplexity 同時是 Anthropic 的 API 客戶，也是證明其編排層能在 Anthropic 模型之上增加大量價值的實體。這是「超越基礎模型的編排」發現最清晰的具體實例，也是對 Harness Shrinkage as Models Improve 的即時反例資料點。

相關連結#

• DRACO Benchmark — Perplexity 撰寫的基準測試，其產品在此測試中領先
• Deep Research Agents — Perplexity Deep Research 是此系統類別中最具代表性的領先實例
• Production-Sourced Evaluation — DRACO 的方法：以 Perplexity 自身生產環境流量建立基準測試
• Anthropic — Perplexity 將 Claude Opus 4.5/4.6 作為基礎模型，並且與未經編排的 Opus 進行基準比較；同時是客戶與競爭者
• Google DeepMind — 競爭者（評估了 Gemini Deep Research）；Perplexity 也選用其 Gemini-3-Pro 作為 DRACO 的主要裁判模型
• LLM-as-a-Judge — DRACO 的評分方法；Perplexity 透過人類對齊研究選定裁判

開放問題#

• 供應商發布自家產品獲勝的基準測試，顯然存在誘因問題——隨著時間推移，DRACO 的可信度如何維持？Perplexity 是否真的會執行可自動化的更新？
• Perplexity 依賴 Anthropic（以及其他公司）提供基礎模型，同時又在最終產品上與它們競爭——如果基礎模型製造商推出自己的深度研究模式，這項編排優勢能維持多久？

資料來源#

• DRACO: a Cross-Domain Benchmark for Deep Research Accuracy, Completeness, and Objectivity — DRACO 論文：Perplexity 為作者；Perplexity Deep Research 為排名第一的系統；Opus 4.5/4.6 為其基礎模型；Gemini-3-Pro 為裁判