Search APIs ermöglichen es KI-Agenten, Informationen aus dem Web abzurufen und ihre Antworten auf aktuelle Quellen zu stützen. Sie kommen in einer Vielzahl agentischer Anwendungen zum Einsatz – von Deep Research über die Programmierung bis hin zur allgemeinen Wissensarbeit –, um Faktentreue und Ergebnisqualität zu verbessern. Search APIs unterscheiden sich in mehreren wichtigen Punkten: im zugrunde liegenden Web-Index, den sie durchsuchen, in der Art, wie Suchergebnisse dem Modell präsentiert werden, und in den Kompromissen, die sie zwischen Kosten, Geschwindigkeit und Retrieval-Qualität eingehen. Wir benchmarken 20 Search-API-Produkte von 10 Anbietern, damit Entwickler fundiertere Entscheidungen treffen können, wenn sie ein Suchwerkzeug für ihren nächsten KI-Agenten auswählen.
Benchmark-Definitionen, Bewertung und Details zur Datenverarbeitung finden Sie auf der Methodikseite.
Neueste Daten: Sep 8, 2026.
Wichtigste Ergebnisse
Antwortqualität mit Suche über öffentliche Benchmarks hinweg.
Kosten des Kandidatenmodells und der Search API pro Benchmark-Aufgabe und pro Suchanfrage.
Modellzeit und Suchzeit pro Benchmark-Aufgabe und pro Suchanfrage.
Input- und Output-Token des Kandidatenmodells pro Benchmark-Aufgabe sowie Qualität im Verhältnis zur gesamten Token-Nutzung.
Suchanfragen des Kandidatenmodells pro Benchmark-Aufgabe.
Sortierbare öffentliche Search-API-Benchmark-Zeilen und Aufschlüsselung je Benchmark.
Anbieter | ||||||||
|---|---|---|---|---|---|---|---|---|
 Perplexity Search (medium) | 80 | 47 | 81 | 87 | 72 | $62.30 | $29.09 | 29.2s |
| Perplexity Search (high) | 79 | 46 | 81 | 86 | 71 | $56.93 | $34.44 | 30.1s |
 Octen Search (highlights) | 77 | 44 | 80 | 86 | 66 | $9.07 | $49.15 | 17.5s |
| Perplexity Search (low) | 77 | 44 | 76 | 85 | 70 | $77.20 | $27.58 | 37.8s |
 Parallel Search (advanced) | 75 | 42 | 81 | 77 | 67 | $47.93 | $35.58 | 43.3s |
 Brave Search (LLM context) | 75 | 42 | 78 | 77 | 69 | $61.96 | $67.57 | 24.8s |
 You.com Search (highlights) | 74 | 41 | 77 | 77 | 69 | $47.54 | $69.94 | 21.0s |
 Exa Search (auto) | 74 | 41 | 78 | 74 | 70 | $65.57 | $61.58 | 33.7s |
 Firecrawl Search | 73 | 40 | 74 | 74 | 73 | $30.48 | $44.94 | 63.7s |
| Parallel Search (basic) | 73 | 40 | 79 | 73 | 68 | $45.14 | $69.69 | 28.3s |
| Parallel Search (fast) | 73 | 40 | 80 | 72 | 68 | $8.41 | $59.67 | 19.6s |
 TinyFish Search (web) | 71 | 38 | 67 | 75 | 71 | $0 | $34.55 | 61.0s |
Nur Modell | 33 | Baseline | 45 | 17 | 38 | — | $2.92 | 23.5s |
Repräsentative Beispielaufgaben für jeden Benchmark hinter dem Artificial Analysis Search Index.
Broad research questions that need many searches. Answers are lists of items. An LLM grader scores each answer with an F1 score over the answer items. The full eval split has 900 tasks.
Representative example
I've completed the Desert Treasure quest on Old School Runescape, can you list all the names of the spells I can use to teleport into the wilderness that require more than four runes?
Answer: Dareeyak Teleport, Ghorrock Teleport
Hard-to-find facts that need multi-hop browsing. We use a hard 200-sample subset from the full evaluation pool. The grader checks for an exact answer.
Representative example
I'm looking for the name and location of a structure which fulfills the following criteria: 1. Located in Eastern Australia. 2. Can be visited on foot. 3. Was re-built in 2016. 4. Is longer than 50m. 5. Can be seen from another similar structure. 6. Hosts a yearly dinner. 7. Was originally built for another use case, but has not served that use case for a number of years.
Answer: Shorncliffe Pier, Brisbane, Australia
A private subset of 600 factual questions, balanced across 6 domains. The grader scores accuracy. The score shows how much search adds to the model's internal knowledge.
Representative example
In Karen Russell's short story "St. Lucy's Home for Girls Raised by Wolves," from which locality was the three-piece jazz band hired for the Debutante Ball?
Answer: West Toowoomba
The examples are representative problem types, not samples from the benchmarks.
Perplexity Search (medium) führt den Artificial Analysis Search Index mit 80 an, gemessen über 10 von Artificial Analysis untersuchte Search-API-Anbieter.
Pro Aufgabe ist Octen Search (highlights) am schnellsten, mit einer durchschnittlichen Zeit pro Aufgabe von 17.5s (Modellzeit plus Suchzeit). Pro einzelner Suchanfrage ist Octen Search (highlights) am schnellsten, mit einer durchschnittlichen Zeit pro Suchanfrage von 0.21s.
TinyFish Search (web) hat mit $0 pro 1.000 Benchmark-Aufgaben die niedrigsten gemessenen Suchkosten.
Den größten gemessenen Qualitätsgewinn bringt die Suche bei Perplexity Search (medium): Der Artificial Analysis Search Index steigt um 47 gegenüber demselben Modell ohne Suche (seiner Baseline mit reinem Modellbetrieb).
Die Antwortqualität von Search APIs wird aus öffentlichen Benchmarks aggregiert, darunter AA-Omniscience, BrowseComp und DeepSearchQA. Jeder misst die Fähigkeit eines Modells, Informationen mithilfe von Suche zu finden, zu extrahieren oder zu verifizieren.
Der beste Anbieter hängt von Ihren Prioritäten ab. Nutzen Sie die Qualitätsdiagramme, um die Antwortgenauigkeit zu vergleichen, die Kostendiagramme, um Qualität gegen Such- und Modellkosten abzuwägen, und die Latenzdiagramme für Echtzeit-Anwendungsfälle. Die Streudiagramme zu den Zielkonflikten heben die Anbieter auf der Qualität-Kosten- und der Qualität-Latenz-Front hervor. Vollständige Methodik ansehen