Theo dõi từ Động Sát Beating, OpenRouter đã ra mắt Web Search Benchmarks, chuyên kiểm tra cách cấu hình tìm kiếm trực tuyến cho AI. Đợt đầu bao gồm Exa, Parallel, Perplexity và tính năng tìm kiếm tích hợp của mô hình, kết hợp với các mô hình như GPT-5.6 Sol, Claude Opus 5, DeepSeek V4 Flash, so sánh độ chính xác, chi phí và tốc độ trên 4 nhóm đánh giá tìm kiếm.
Điểm rõ ràng nhất từ kết quả là: số vòng tìm kiếm quan trọng hơn việc đổi công cụ tìm kiếm. Trên các bài toán khó như BrowseComp, khi tăng giới hạn tìm kiếm từ 1 vòng lên 25 vòng, điểm số có thể tăng gần gấp đôi, nhưng chi phí mỗi câu tăng khoảng 2,5 đến 7 lần. Ví dụ, Claude Opus 5 kết hợp Perplexity tăng từ 35,8% ở 1 vòng lên 89,0% ở 25 vòng.
Bản thân mô hình cũng quan trọng hơn công cụ tìm kiếm. Giữ nguyên các điều kiện khác, đổi mô hình trung bình tạo ra chênh lệch khoảng 15 điểm, trong khi đổi các công cụ tìm kiếm như Exa, Parallel, Perplexity chỉ ảnh hưởng trung bình khoảng 10 điểm. Tìm kiếm tích hợp của nhà sản xuất mô hình cũng không nhất thiết là tốt nhất, tùy thuộc vào nhiệm vụ cụ thể.
Tuy nhiên, tìm kiếm nhiều hơn không nhất thiết là hiệu quả hơn. Trong BrowseComp, khi trả lời đúng, mô hình trung bình tìm kiếm 10,3 lần, nhưng khi trả lời sai lại tìm kiếm tới 19,7 lần. Đối với các nhiệm vụ vốn đã khó tìm ra câu trả lời, việc nới lỏng số lần tìm kiếm rất có thể chỉ khiến Agent thất bại với chi phí đắt đỏ hơn.
