Exa 发布 Agent Ultra：编排智能体集群执行穷尽式研究，自称评测达到 SOTA

9 月 25 日 16:46（UTC，北京时间 26 日凌晨 0:46），账号定位旧金山、自述为「构建面向未来搜索引擎的 AI 研究实验室」的在 X 上推出 Agent Ultra，称其为深度研究的「step change」（台阶式跃升）：它可以编排成群的 agents（swarms of agents）执行穷尽式研究、构建综合性清单，并回答需要数千个来源支撑的问题。帖子最后一句说，它在「评测和手感」（evals and vibes）上都达到 state of the art。Agent Ultra 是其 Exa Agent 产品中最高的 effort 档位。

具体数字来自 Exa 同日发布的：Agent Ultra 在多项基准上超过 Opus 5.5、GPT-6 Astra 和 Perplexity Agent 各自的最高 effort 模式。据整理的发布材料，在 WANDR 基准的 soft recall 指标上，Agent Ultra 得分 81.4%，Opus 5.5 为 72.3%；在「Company Find-All」任务里，它平均每个任务找出 2,451 家合格公司，Opus 5.5 是 146 家。这批成绩目前全部由 Exa 自己报告，MarkTechPost 明确写着「尚未获得独立复现」。

主帖与一秒后的细节帖

主帖发布于 9 月 25 日 16:46:16（UTC），三段话构成全部口径：产品名、三项能力（穷尽式研究、综合性清单、数千来源的问题），以及 SOTA 声明。截至发稿前检索，这条帖子有 1,940 个赞、125 次转发、94 条回复、41 次引用和 204,096 次浏览。两帖均为第一方口径，帖文未引用第三方验证。

一秒之后的 16:46:17，Exa 用补上技术路线：Agent Ultra 跑在一套定制的研究 harness（运行与编排框架）上，高效调度 subagents（子智能体）、代码执行（code execution）和 Exa 自家的 token 高效内容摘要（content highlights）。帖子据此给出两个进一步的主张：在网络研究上是 state-of-the-art；同时在成本和质量上「Pareto 占优」——按这个词的含义，即没有对手能同时在成本、质量两项上压过它。

四项基准对比：Exa 自报的成绩与成本主张

MarkTechPost 从 Exa 发布博客整理出的对比表如下，四款对比系统都运行在各自最高 effort 档位：

基准（指标）	Agent Ultra	Opus 5.5	GPT-6 Astra	Perplexity Agent
WANDR（soft recall）	81.4%	72.3%	26.0%	40.1%
DeepSearchQA（F1）	93.9%	77.6%	85.3%	89.7%
WideSearch（行级 F1）	58.9%	51.6%	54.7%	56.0%
Company Find-All（平均每任务合格实体数）	2,451	146	113	98

Exa 为每项成绩都配了成本主张：WANDR 上比 Opus 5.5 高 12.6%，单任务成本是对方一半；DeepSearchQA 上比 Perplexity Agent 高 4.7%，单任务成本比 GPT-6 Astra 低 46%；WideSearch 上比 Perplexity Agent 高 5.2%，是四套系统中单任务成本最低的；Company Find-All 上比 Opus 5.5 多 1,579%，每找到一个合格实体的成本最低。MarkTechPost 特别提醒，这些是相对增益而非百分点：WANDR 上对 Opus 5.5 的绝对差距是 9.1 个百分点。

任务规模也有限制：据 MarkTechPost，Exa 在 WANDR 和 DeepSearchQA 上各评测至多 200 个任务，在 WideSearch 和 Company Find-All 上各评测 100 个，各家被评的任务数不完全相同。

一次 Ultra 运行：怎么调、怎么计费、能跑多久

机制上，Exa Agent 把任务拆成 subtasks（子任务），派给多个 subagents 同时研究不同领域；需要前沿能力的步骤用 frontier 模型，够用的步骤交给更快的模型。博客称 Ultra 就是为「必须跑到穷尽」的最难任务设计的：深度研究、清单构建、实体扩充（entity enrichment）。

调用方式在里：把 Agent 运行请求的 effort 设为 "ultra"，其余参数——outputSchema、input.data、流式输出——与其他运行一致。计费按标准 Agent 用量计算，单次运行默认上限 20 美元，提前结束则收得更少。MarkTechPost 补充了预算参数的取值范围：maxCostDollars 为 1～100 美元，maxDurationSeconds 为 300～10,800 秒，其中后者与提前停止是 Ultra 专属控制项；运行可以中途停止，已找到的结果保留，按已用量计费。运行时长方面，MarkTechPost 报道称复杂任务通常约 30 分钟完成，最长的可到 3 小时，而 SDK 默认轮询 1 小时就会超时，需要拉长超时或改用流式事件。

边界同样清楚：据 MarkTechPost，它不是开放权重模型，不能自托管，只能以托管 API 形式使用；如果按文档走 OpenAI 兼容的 /responses 接口，需把 reasoning.effort 设为 "ultra"，并配合 stream: true 或 background: true。博客写明 Agent Ultra 当天可用（available today），附带的链接已把 effort 预设为 ultra。

判分模型换成 gpt-6-luna，评测口径引来追问

WANDR 本身不是 Exa 的基准。MarkTechPost 介绍，它是 Perplexity 发布的评测集，包含 500 个 wide-and-deep（广度加深度）数据收集任务，harness 开放。Exa 在博客里对判分口径交代得很细：grader（判分程序）与上游仓库共享同一套内嵌（vendored）评测逻辑，核心差异有三处——contents tool（内容获取工具）换成了 Exa 自己的，transport logic（传输逻辑）不同，judge（判分）模型换成了「更好也更便宜」的 gpt-6-luna；凡 Perplexity、Anthropic 或 OpenAI 在这套 harness 上公布过成绩的，直接采用公布值，没有的由 Exa 自己跑。图表中淡色的点，是各家低 effort 档的成绩。

这套口径当天就引来技术性质疑。FYN Labs 创始人 Mathias Heinke 说，在 WANDR 上比 GPT-6 Astra 高 213% 的差距固然巨大，但读数有两个细节：judge 换成了 gpt-6-luna，而没有公布成绩的对手是 Exa 自己代跑的；他问 Exa 能否用上游 judge 重跑一次 WANDR。另一位用户的更直接：「100% Ultra benchmaxed (sadly)」——意思是它就是照着评测刷出来的。

建清单的场景与一笔可能挪动的预算

博客为 Ultra 列出三类示例用户：model providers、financial services、go-to-market teams。MarkTechPost 把三类展开成具体场景：模型厂商用它组装训练数据，例如收齐实现某一技术的论文和代码仓库，并核验「发布了权重，而不只是提供 API」这类标准；金融服务业用它搭建尽调市场地图、跨申报文件和法庭记录跑 KYC（了解你的客户，合规身份核查）研究、监控投资组合信号；GTM 团队用它建账户清单，再用带引用 URL 的判断字段逐行扩充。博客还写明了一个直接服务于清单的机制：把已有清单的行传回去，新结果会排除这些行，方便继续扩清单。

推文下的真实反应也集中在清单场景。旧金山用户 Jeffrey Han ：对做 outbound（外呼获客）的人，最关键的一行是 Company Find-All——2,451 家对 Opus 5.5 的 146 家；「我现在是付钱给 Apollo 和爬虫来做这种清单的。如果它在真实 ICP（理想客户画像）上站得住，很多建清单的预算就要挪动了。」工程侧的疑问也没有停：Super Intelligence Inc. 创始人 Kisson 的是 swarm 协作里最难的环节——多个 agents 之间如何去重、系统靠什么判断一张清单「已经做完」。

这组 SOTA 成绩目前只有 Exa 自己的判分流程背书；它能不能站住，取决于有没有第三方按同一套规则——或至少用上游 judge——把它复现出来。