DeepSearchQA
需要多次搜索的宽泛研究问题。答案是条目列表。LLM 评分器会根据答案条目之间的 F1 分数为每个答案打分。完整评测集包含 900 个任务。
代表性示例
我已经完成了 Old School Runescape 中的 Desert Treasure 任务。请列出所有能让我传送到 Wilderness、且需要四个以上符文的法术名称。
答案: Dareeyak Teleport, Ghorrock Teleport
Artificial Analysis Search Index：Search API 基准测试与排行榜
Search API 让 AI 智能体能够从网络获取信息，并让回答基于最新的来源。它们被广泛用于各类智能体应用，包括深度研究、编程和通用知识工作，以提升事实准确性和整体输出质量。Search API 在若干重要方面存在差异，包括其检索的底层网页索引、搜索结果呈现给模型的方式，以及在成本、速度和检索质量之间所做的取舍。我们对 13 家服务商的 26 款 Search API 产品进行了基准测试，帮助开发者在为下一个 AI 智能体挑选搜索工具时做出更明智的决策。
有关基准测试定义、评分方式和数据处理细节，请参阅方法论页面。
最新数据：Sep 28, 2026。
结果
在各项公开基准测试中启用搜索后的回答质量。
Artificial Analysis Search Index
DeepSearchQA F1、BrowseComp 准确率与 AA-Omniscience 准确率的等权平均值 · Higher is better
仅模型（33）
集成的第一方搜索工具与框架
成本
每项基准测试任务和每次搜索查询的候选模型成本与 Search API 成本。
每任务成本
每任务的平均候选模型成本与 Search API 成本（美元） · Lower is better
仅模型（$0.0029）
集成的第一方搜索工具与框架
Artificial Analysis Search Index 与每任务成本
Artificial Analysis Search Index 与每项基准测试任务的模型与搜索总成本（美元）
Most attractive quadrant
Pareto line
延迟
每项基准测试任务和每次搜索查询的模型耗时与搜索耗时。
每任务耗时
每任务的平均推算模型耗时与实测搜索耗时 · Lower is better
仅模型（22.1s）
集成的第一方搜索工具与框架
Artificial Analysis Search Index 与每任务耗时
Artificial Analysis Search Index 与每项基准测试任务的平均模型与搜索耗时（秒）
Most attractive quadrant
Pareto line
Token
每项基准测试任务的候选模型输入与输出 token 数，以及质量与 token 总用量的关系。
每任务 token 总数
每项基准测试任务中候选模型的平均输入、推理与回答 token 数 · Lower is better
仅模型（2.6k）
集成的第一方搜索工具与框架
Artificial Analysis Search Index 与每任务 token 总数
Artificial Analysis Search Index 与每项基准测试任务的候选模型 token 总数
Most attractive quadrant
Pareto line
搜索
候选模型在每项基准测试任务中执行的搜索查询次数。
每任务搜索查询次数
候选模型在每项基准测试任务中执行的平均搜索查询次数
排行榜详情
可排序的 Search API 公开基准测试数据行，以及各项基准测试的细分数据。
Search API 公开排行榜
按服务商划分的 Search API 质量、延迟、成本，以及各项基准测试的细分数据。
13 行
服务商 | ||||||||
|---|---|---|---|---|---|---|---|---|
 Perplexity Search（medium） | 80 | 47 | 81 | 87 | 72 | $62.30 | $8.04 | 28.2s |
| Perplexity Search（high） | 79 | 46 | 81 | 86 | 71 | $56.93 | $9.72 | 29.0s |
 Octen Search（highlights） | 77 | 44 | 80 | 86 | 66 | $9.07 | $14.92 | 16.6s |
 Parallel Search（advanced） | 75 | 42 | 81 | 77 | 67 | $47.93 | $11.29 | 42.2s |
 Brave Search（LLM context） | 75 | 42 | 78 | 77 | 69 | $61.96 | $17.46 | 23.6s |
 OpenAI Web Search（medium） | 74 | 41 | 78 | 74 | 72 | $40.19 | $9.40 | 31.0s |
 You.com Search（highlights） | 74 | 41 | 77 | 77 | 69 | $47.54 | $19.58 | 20.2s |
 Nimble Search（standard） | 74 | 41 | 76 | 75 | 71 | $46.14 | $19.57 | 43.7s |
 Exa Search（auto） | 74 | 41 | 78 | 74 | 70 | $65.57 | $17.73 | 32.6s |
 Firecrawl Search | 73 | 40 | 74 | 74 | 73 | $30.48 | $12.09 | 62.4s |
| Parallel Search（basic） | 73 | 40 | 79 | 73 | 68 | $45.14 | $21.65 | 27.2s |
 TinyFish Search（web） | 71 | 38 | 67 | 75 | 71 | $0 | $9.30 | 59.4s |
仅模型 | 33 | 基线 | 45 | 17 | 38 | — | $2.92 | 22.1s |
示例任务
构成 Artificial Analysis Search Index 的各项基准测试的代表性示例任务。
BrowseComp
需要多跳浏览才能找到的罕见事实。我们从完整评测池中使用一个包含 200 个高难度样本的子集。评分器检查答案是否精确匹配。
代表性示例
我想找到一座符合以下条件的建筑的名称和位置： 1. 位于澳大利亚东部。 2. 可以步行前往。 3. 于 2016 年重建。 4. 长度超过 50 米。 5. 从另一座类似建筑可以看到它。 6. 每年举办一次晚宴。 7. 最初是为其他用途而建，但多年来未再用于该用途。
答案: Shorncliffe Pier, Brisbane, Australia
AA-Omniscience
包含 600 个事实问题、在 6 个领域间均衡分布的私有子集。评分器评估准确率。该分数显示搜索为模型内部知识带来的提升。
代表性示例
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?
答案: West Toowoomba
这些示例是代表性的问题类型，并非基准测试中的样本。
方法论与更多信息
Search API 指标汇总自公开的基准测试运行结果，并在可用时包含仅模型基线。有关评分、延迟、成本和基准测试覆盖范围的细节，请参阅方法论页面。
常见问题
在 Artificial Analysis 基准测试的 13 家 Search API 服务商中，Perplexity Search（medium） 以 80 位居 Artificial Analysis Search Index 首位。
按任务计算，Octen Search（highlights） 最快，每任务平均耗时为 16.6s（模型耗时加搜索耗时）。按单次搜索查询计算，Octen Search（highlights） 最快，每次搜索查询平均耗时为 0.21s。
TinyFish Search（web） 的实测搜索成本最低，每 1,000 项基准测试任务为 $0。
搜索为 Perplexity Search（medium） 带来的实测质量提升最大，相比同一模型在不使用搜索时（其仅模型基线），Artificial Analysis Search Index 提高了 47。
Search API 的回答质量汇总自公开基准测试，包括 AA-Omniscience、BrowseComp和DeepSearchQA。每项基准测试都衡量模型借助搜索查找、提取或核实信息的能力。
最合适的服务商取决于你的优先事项。可用质量图表比较回答准确率，用成本图表在质量与搜索、模型成本之间取得平衡，用延迟图表评估实时场景。权衡散点图会标出位于质量-成本和质量-延迟前沿的服务商。 查看完整方法论