Todas las pruebas de referencia
WideSearch
WideSearch pide al modelo que complete una tabla entera: dada una consulta y un esquema de columnas obligatorio, debe encontrar cada entidad y cada atributo, como todos los lanzamientos de una familia de cohetes con sus fechas y resultados. Sus 200 tareas (100 en inglés, 100 en chino) se evalúan de forma estricta: una tarea solo cuenta si todas las filas y todas las celdas coinciden con la tabla de referencia. Lo ejecutamos manteniendo fijo el modelo y variando el motor de búsqueda, el formato de solicitud y el presupuesto máximo de búsqueda. Mientras BrowseComp profundiza en un único dato oculto, WideSearch abarca muchos datos y atributos.
Última ejecución de la prueba de rendimiento
- Proveedores de búsqueda
- 4 proveedores de búsqueda
- comparados entre configuraciones
- Modelos
- 4 modelos
- GPT-5.6 Luna, GPT-5.6 Sol, Claude Opus 5 y DeepSeek V4 Flash 0731
- Configuraciones de prueba
- 1 / 5 / 25
- presupuestos de búsqueda y modo de plugins
¿Qué configuración de búsqueda lidera WideSearch?
GPT-5.6 Sol · high, con Perplexity y un presupuesto de 25-turn a fecha de 11 ago 2026 lidera con 84,0 % en Item F1, la medida de precisión de los elementos de respuesta de la prueba de rendimiento. Las puntuaciones mostradas se redondean a un decimal, por lo que las configuraciones que aparecen juntas comparten el liderazgo con esa precisión de visualización. La comparación utiliza las mismas vías SSR verificadas y la metodología WideSearch que se muestran a continuación.
Resultado ganador
La configuración con la puntuación más alta, el desglose de esa puntuación y las mejores alternativas en relación calidad-precio y velocidad.
Mayor calidad
Perplexity25-turn
84,0 %exactitud por elemento de respuesta
Resultado ganador en detalle
- Tablas completas
- 21,0 % · 21 de 100
- Tablas incompletas
- 79 de 100
- Costo / pregunta
- 0,83 US$
- Tiempo medio de generación / pregunta
- 2,3m
- Mejor relación calidad-precio
- 0,063 US$ / pregunta
- PerplexityGPT-5.6 Luna · xhighPresupuesto de búsqueda de 5-turn 80,0 % exactitud por elemento de respuesta
- Resultado sólido más rápido
- 1,9m / pregunta
- PerplexityGPT-5.6 Sol · highPresupuesto de búsqueda de 1-turn 79,8 % exactitud por elemento de respuesta
Calidad y finalización
La precisión por elemento de respuesta es la métrica principal; el éxito en tablas completas se muestra debajo.
Perplexity
GPT-5.6 Sol · high 25-turn
84,0 %21,0 % tablas completas
OpenAI Native
GPT-5.6 Sol · high 25-turn
81,8 %16,0 % tablas completas
Parallel
GPT-5.6 Sol · high 25-turn
80,6 %16,5 % tablas completas
Exa
GPT-5.6 Luna · xhigh 25-turn
78,0 %16,0 % tablas completas
Exactitud de los elementos de respuesta Tablas completas
¿Cómo afecta el presupuesto de búsqueda a la precisión de los elementos de respuesta?
Vea cómo cambia la precisión de los elementos de respuesta según el presupuesto de búsqueda; debajo se muestra la tasa de éxito de la tabla completa. Las celdas vacías no se ejecutaron.
| Proveedor de búsqueda | 1-turn | 5-turn | 25-turn |
|---|---|---|---|
| Perplexity | 79,8 %13,0 % tablas completasGPT-5.6 Sol · high | 81,4 %18,0 % tablas completasGPT-5.6 Sol · high | 84,0 %21,0 % tablas completasGPT-5.6 Sol · high |
| OpenAI Native | 76,9 %13,0 % tablas completasGPT-5.6 Sol · high | 78,4 %17,0 % tablas completasGPT-5.6 Sol · high | 81,8 %16,0 % tablas completasGPT-5.6 Sol · high |
| Parallel | 77,4 %13,0 % tablas completasGPT-5.6 Sol · high | 77,8 %13,5 % tablas completasGPT-5.6 Sol · high | 80,6 %16,5 % tablas completasGPT-5.6 Sol · high |
| Exa | 69,1 %8,0 % tablas completasGPT-5.6 Luna · xhigh | 75,7 %12,0 % tablas completasGPT-5.6 Luna · xhigh | 78,0 %16,0 % tablas completasGPT-5.6 Luna · xhigh |
Todas las configuraciones de búsqueda
Configuraciones verificadas de todos los modelos, clasificadas por la precisión de los elementos de respuesta; también se muestran la tasa de éxito de la tabla completa y los intervalos.
| # | Modelo | Proveedor de búsqueda | Presupuesto de búsqueda | Esfuerzo de razonamiento | Exactitud de los elementos de respuesta | Tablas completas | Coste / pregunta | Tiempo medio de generación / pregunta | Preguntas |
|---|---|---|---|---|---|---|---|---|---|
| 1 | | Perplexity | 25-turn | high | 84,0 % | 21,0 % | 0,83 US$ | 2,3m | 100 |
| 2 | | Perplexity | 25-turn | xhigh | 83,4 % | 22,0 % | 0,17 US$ | 2,7m | 100 |
| 3 | | OpenAI Native | 25-turn | high | 81,8 % | 16,0 % | 0,98 US$ | 3,9m | 100 |
| 4 | | Perplexity | 5-turn | high | 81,4 % | 18,0 % | 0,45 US$ | 2,2m | 100 |
| 5 | | Parallel | 25-turn | high | 80,6 % | 16,5 % | 1,46 US$ | 2,7m | 200 |
| 6 | | Perplexity | 5-turn | xhigh | 80,0 % | 18,0 % | 0,063 US$ | 2,4m | 100 |
| 7 | | Perplexity | 1-turn | high | 79,8 % | 13,0 % | 0,26 US$ | 1,9m | 100 |
| 8 | | OpenAI Native | 5-turn | high | 78,4 % | 17,0 % | 0,53 US$ | 2,7m | 100 |
| 9 | | Exa | 25-turn | xhigh | 78,0 % | 16,0 % | 0,22 US$ | 2,9m | 100 |
| 10 | | Parallel | 5-turn | high | 77,8 % | 13,5 % | 0,60 US$ | 2,6m | 200 |
Cómo se puntúan las tareas
Cada tarea consiste en una consulta con una tabla de referencia. Se analiza la tabla del modelo, un modelo evaluador alinea sus filas y columnas con la referencia y se compara cada celda: coincidencia exacta cuando es posible y equivalencia valorada por el evaluador en los demás casos. Una tarea solo se completa con éxito cuando se encuentran todas las filas de referencia y todas las celdas coinciden, sin filas faltantes ni adicionales.
reward = all_rows_aligned ∧ every_cell_correct // ∈ {0, 1}
judge = gpt-4.1 at temperature 0 for alignment and fuzzy cells
unparseable or empty tables score 0Una configuración de búsqueda consta de un modelo, un motor de búsqueda, un formato de solicitud y un presupuesto máximo de búsqueda. Las puntuaciones se ponderan por el número de preguntas de cada ejecución verificada; se excluyen las pruebas básicas pequeñas.
Ejemplo de ejecución real
Ejecuciones históricas fijas, independientes del filtro de modelos anterior. Los resultados largos y los metadatos operativos se recortan; las consultas seleccionadas pueden editarse u omitirse.
Tarea
Elabore una tabla verificada de clínicas de la zona de Fresno
Make a comprehensive, verified list of abortion clinics operating in California during 2024 within 65 miles of E Fedora Ave in Fresno. Omit facilities that closed during 2024. Return clinic, county, full address, phone number, and Saturday hours in one Markdown table.
Esta es una instantánea histórica de una evaluación comparativa de 2024, no una guía actual sobre servicios sanitarios.
Referencia
Six rows: Planned Parenthood Fulton Street, FPA Women's Health Fresno, Planned Parenthood Family First, Planned Parenthood Madera, Planned Parenthood Merced, and FPA Women's Health Tulare. The reference marks only Fulton Street as open Saturday.
Precisión por elemento de respuesta: 62,2 %
ExaClaude Opus 4.8 1 turnRespuesta final
| Clinic | County | Address | Phone | Saturday hours |
|---|---|---|---|---|
| Planned Parenthood - Fulton Street | Fresno | 650 N. Fulton Street, Fresno, CA 93728 | (559) 488-4900 | 8:00 am - 4:30 pm |
| Planned Parenthood - Family First | Fresno | 6095 N. 1st Street, Fresno, CA 93710 | (559) 446-1515 | 8:00 am - 4:30 pm |
| FPA Women's Health - Fresno | Fresno | 165 N. Clark Street, Fresno, CA 93701 | (559) 233-8657 | Not available |
Qué ocurrió
The one-turn run found three of six clinics. Two rows were fully correct; Family First had the wrong Saturday hours. Answer-item accuracy was 62.2%, and the complete-table verdict was incorrect.