事件专题 ·多源确认

Parallel 开源搜索评测框架,量化模型接入搜索后的真实提升

Parallel 开源了 parallel-search-evals,一个用于评测模型使用搜索工具能力的框架,采用 MIT 许可。核心方法是让同一个模型分别在关闭工具和允许搜索的条件下答题,再比较结果差异。公开榜单显示,接入搜索后模型平均提高 34.4 分,其中 Claude Fable 5.2 以 80.1 的综合分领先,而达到中位数以上的模型中 GPT-6.1 Terra 成本最低,每千道任务约 43.7 美元。 框架在技术上对评测流程做了严格控制:每次运行固定一个模型、一套题目和一种搜索模式,支持 turbo、fast、basic、advanced 四种搜索模式加无工具基线。模型可调用两个工具——Search 返回最多 10 条附带正文摘录的结果,Extract 从最多 20 个指定网址提取内容,每题最多 20 次工具调用、25 轮研究。参考答案只交给评分器,不进入答题过程,评分使用 GPT-6 Sol,因此衡量的是模型选择工具、获取证据、形成答案的整体能力,而不只是搜索接口质量。 项目支持 OpenRouter 以及 OpenAI、Anthropic、Google 原生接口,题目集、Agent 执行流程和评分器相互分离,开发者可以替换问题、参考答案和评分规则来测试自己的业务问题。目前内置 DeepSearchQA 和 Humanity's Last Exam 的纯文本题,仓库还附带供 Claude Code、Codex 使用的技能说明。对开发者来说,这套框架回答的是哪些模型更善于使用这套搜索工具,而不是所有搜索服务之间的排名。

当前结论

做搜索类 Agent 的开发者可以拿它当标尺:同一模型开关搜索对比跑分,还能换成自己的业务题。榜单数据有意思——Claude Fable 5.2 分最高,GPT-6.1 Terra 最省钱,选型时两个维度都得看。

11 个信源46° AI 热度最后更新 2026/11/18 03:24:44

证据链

11 个信源
相关来源 10Claude Code: GitHub Releases
查看原文

冲突核查

现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。