它是什么

Exa 是一家做搜索的公司。它发布的 Agent Ultra 是自家 Agent 产品里 effort 最高的档位：接到一个研究任务后，先把任务拆成子问题，再分派多个 subagent 并行去不同方向检索，而不是让一个模型在一条上下文里按顺序翻资料。官方把这套分工描述为「把前沿智能放在真正需要的地方，把更快的模型放在够用的地方」。

官方公布的评测数字

以下全部是 Exa 自己公布的结果，对比对象是 Opus 5.5、GPT-6 Astra 与 Perplexity Agent 在各自最强设置下的表现。

  • WANDR：分别高 12.6% / 213% / 103%，每任务成本约为 Opus 5.5 的一半。
  • DeepSearchQA：分别高 4.7% / 21.0% / 10.1%，每任务成本比 GPT-6 Astra 低 46%。
  • WideSearch：分别高 5.2% / 14.1% / 7.7%，是四者中每任务成本最低的。
  • Find-All Company（把某家公司的信息找全）：分别高 1579% / 2401% / 2069%，每实体成本最低。

评测口径要注意什么

Exa 自己交代了三点：评分逻辑与自己前作同源（vendored），差别在它自己的 contents tool、传输逻辑，以及换用了更便宜也更强的判分模型；别人公布过的成绩按公布值引用，没有的自己跑。这意味着这些百分比适合比较同一套口径下的相对差距和成本，不适合当作跨厂商的绝对分数。

什么时候值得用它

检索型任务分成两类：一类是一步到位的单点查询，用便宜模型就够；另一类是「把散在几千个来源里的事实凑齐」，这类任务上并行分派加按难度配模型的收益最大，因为耗时的部分本来就是并行的。验证方式也很直接：拿自己 20 条真实任务跑一遍，比「找到的关键事实条数 ÷ 花的钱」，而不是比单次回答的速度。

能省钱的地方通常不在模型，而在「谁去查、几个一起查」。