OpenRouter 发布实时网络搜索基准测试：深度与模型选择对 Agent 性能的关键影响
在 AI Agent 开发领域，网络搜索（Web Search）已成为克服模型知识截止日期的“标配”能力。然而，面对 Exa、Parallel、Perplexity 等第三方引擎以及各大实验室自带的原生搜索，开发者往往陷入复杂的配置决策中：选择何种引擎？设定多少搜索轮次？使用前沿模型还是性价比模型？
OpenRouter 近日发布了最新的实时基准测试报告（Live Web Search Benchmarks），通过系统性的数据对比，揭示了决定 Agent 性能与成本的核心变量。
核心发现：搜索轮次（Budget）是决定性因素
OpenRouter 的测试表明，增加搜索预算（Search Budget）带来的质量提升，远超其他单一变量的调整。
以 BrowseComp（硬性事实查找）任务为例，使用 Perplexity 引擎时，不同轮次下的表现差异显著：
- 1 轮搜索：Claude Opus 5 准确率为 35.8%，成本 $0.14；GPT-5.6 Sol 为 46.3%，成本 $0.20。
- 25 轮搜索：Claude Opus 5 准确率飙升至 89.0%，成本 $0.99；GPT-5.6 Sol 为 82.4%，成本 $0.50。
关键洞察：
- 成本效益最高：从 1 轮增加到 25 轮，分数大致翻倍，但成本仅增加 2.5 至 7 倍。这是目前发现提升质量最“便宜”的方法。
- 速度悖论：增加轮次并不总是意味着变慢。部分模型（如 GPT-4o 系列）在受限预算下需进行额外推理，导致 1 轮反而比 25 轮耗时更长。
- 失败率陷阱：若任务本身失败率高，扩大预算会导致模型在无效搜索中耗尽资源。数据显示，当模型最终无法找到答案时，平均搜索次数从 10 次激增至 19-20 次。此时，限制搜索深度反而是降低成本的捷径。
模型与引擎的博弈：模型权重更高
在确定搜索预算后，模型的选择成为次级关键因素。测试对比了前沿模型（Frontier Models）与高性价比模型（Cost-Efficient Models）的表现：
- 准确率差距：在固定 25 轮预算下，前沿模型与高性价比模型之间的准确率差距约为 15 个百分点，而更换不同搜索引擎引擎仅带来约 10 个百分点的波动。
- 成本敏感度：前沿模型对引擎选择极其敏感，最贵引擎成本是最便宜引擎的 2.5 倍；而高性价比模型的成本差异仅为 1.5 倍。
这意味着，对于大多数工作负载，优先选择性价比高的模型（如 DeepSeek V4 Flash, GPT-5.6 Sol），并配合合理的搜索深度，往往比盲目追求顶级引擎或最新模型更具成本效益。
测试方法论与基准类型
OpenRouter 通过四种基准测试覆盖不同场景：
- BrowseComp：硬性事实查找，模拟真实浏览。
- DeepSearchQA：多跳研究问题，考验逻辑推理。
- WideSearch：广泛信息收集，如填充表格。
- HLE：专家级考试题，考察深度知识检索。
所有测试均在 OpenRouter 平台上进行，支持 Exa、Parallel、Perplexity 等引擎，并允许开发者自定义搜索轮次（1、5 或 25 轮）。
开发者行动建议
- 动态调整预算：不要默认使用最大轮次。对于简单任务，1-5 轮可能足够且更省钱；对于复杂推理任务，25 轮能显著提升准确率。
- 监控失败率：如果 Agent 频繁失败，尝试减少搜索轮次，避免在无效路径上浪费 Token。
- 模型优先：在预算固定时，优先测试高性价比模型，它们往往能以更低的边际成本获得接近前沿模型的性能。
OpenRouter 强调，基准数据是实时更新的，今天的领先配置明天可能就会改变。开发者应利用其 Leaderboard 功能，根据具体工作负载动态调整配置，以实现质量与成本的最优平衡。
“搜索预算比任何其他因素都更重要，你的最坏情况成本场景是由你的失败率驱动的。” —— OpenRouter 技术团队
通过这种数据驱动的方式，OpenRouter 帮助开发者在快速演进的 AI 搜索生态中做出更明智的技术决策。
