WANDR：面向 agent 的大规模实体发现与事实验证基准

WANDR 是一个用于评估 AI 智能体（agent）在「发现大量实体」并「验证每个实体特定事实」方面能力表现的测试工具。与传统单一任务的基准不同，WANDR 提供了一套密集且可解释的评测信号，能够清晰揭示智能体在哪个环节失败、失败原因是什么。

核心思路：密集且可解释的评测信号

WANDR 的设计目标是为 agent 评估提供一个细粒度的反馈通道。智能体在完成「大规模实体发现 + 事实核验」这类任务时，往往会在中间环节出错却最终返回看似合理的结果。WANDR 通过对每一步进行独立打分，让研究者可以定位具体的失败节点。

• 评测聚焦两阶段能力：先发现候选实体集合，再逐一验证事实。
• 信号密集化：相比传统 benchmark 的单一总分，WANDR 输出多维度、可解读的数据。
• 失败可定位：明确指出 agent 在哪一步出错，而非仅给出整体通过率。

配套能力：半自动训练数据生产管线

WANDR 的评测管线同时也是一个「半自动化的训练数据工厂」。这意味着在评测过程中产生的标注和样本，可以被反向用于构造训练数据，从而形成评测与训练之间的闭环。

• 评测流程中自动生成的标注可服务于模型微调。
• 提供一种以 benchmark 反哺训练数据的机制。

信息有限，待更多细节披露

目前公开信息仅来自社交媒体上的简要介绍，WANDR 的具体技术细节、评测规模、覆盖领域，以及在主流 agent 上的实测表现尚未披露。要全面评估其价值，仍需等待论文发布或更详细的技术文档公开。