Exa เปิด Agent Ultra โหมด deep research ที่แตก subagent ทำงานขนานกัน อ้างชนะ Opus 5.5, GPT-6 Astra และ Perplexity บน WANDR เบนช์มาร์กของ Perplexity เอง — คิดตามการใช้งานจริง เพดาน $20 ต่อรัน รันนานสุด 3 ชั่วโมง

Exa บริษัททำ search API สำหรับ AI เปิดตัว Agent Ultra เมื่อ 25 ก.ย. 2026 เป็นระดับ effort สูงสุดของ Exa Agent API ใช้กับงานที่ต้องค้นให้ ครบ มากกว่าให้เร็ว เช่น “หาบริษัททุกเจ้าในสหรัฐฯ ที่ทำเครื่องมือ browser automation” แล้วเติมข้อมูลผู้ก่อตั้ง เงินทุน และลูกค้าให้ทุกแถว พร้อม URL อ้างอิง งานแบบนี้ agent ทั่วไปมักหยุดที่ 20–30 รายการแรก ส่วน Ultra ถูกออกแบบให้ค้นต่อไปจนหมด

ระบบนี้เป็นกลุ่ม agent orchestration ที่มองข้ามได้ง่าย เพราะไม่ใช่โมเดลใหม่และไม่ใช่เครื่องมือเขียนโค้ด Exa อธิบายว่า Agent “divides a task into subtasks, assigning subagents to research multiple domains at once. It puts frontier intelligence where a task needs it and faster models where they are enough.” Exa ไม่เปิดเผยว่าใช้โมเดลตัวไหนบ้าง

เรียกใช้อย่างไร

ใช้ endpoint /agent/runs เดิม แค่ตั้ง effort: "ultra" ส่วน outputSchema, input.data และ streaming ใช้ได้เหมือนรันปกติ

from exa_py import Exa

exa = Exa()
run = exa.agent.runs.create(
    query="Find all companies building browser automation tools in the United States.",
    effort="ultra",
)
run = exa.agent.runs.poll_until_finished(run.id, timeout_ms=3 * 60 * 60 * 1000)

เอกสารระบุว่างานซับซ้อนมักจบใน ราว 30 นาที และนานได้ถึง 3 ชั่วโมง ตัวช่วย polling ของ SDK ตั้ง timeout ไว้ 1 ชั่วโมงเป็นค่าเริ่มต้น ถ้าไม่ปรับ timeout แบบในตัวอย่างหรือใช้ streaming แทน โค้ดจะเลิกรอก่อนงานเสร็จ ผู้ใช้ OpenAI SDK เรียกผ่าน /responses ได้ด้วย reasoning.effort: "ultra" แต่ต้องเปิด stream หรือ background

อีกฟีเจอร์ที่ใช้ได้จริงคือส่งแถวที่มีอยู่แล้วเข้าไป Ultra จะไม่ส่งแถวเหล่านั้นกลับมาซ้ำ จึงใช้ขยายลิสต์เดิมทีละรอบได้

ราคาและเพดานค่าใช้จ่าย

effort แบบคงที่ของ Exa Agent มีราคาต่อ request ตั้งแต่ $0.012 (minimal) ถึง $1.00 (xhigh) ส่วน Ultra คิดตามการใช้งานจริงแบบเดียวกับ auto คือ $0.10 ต่อ Agent Compute Unit และ $0.005 ต่อการค้นหนึ่งครั้ง ส่วนการดึงอีเมลและเบอร์โทรคิดเพิ่มแยก

เพื่อไม่ให้บิลบานปลาย มีฟิลด์ budget ให้ตั้ง

• maxCostDollars ได้ $1–100 ค่าเริ่มต้น $20
• maxDurationSeconds ได้ 5 นาทีถึง 3 ชั่วโมง

เมื่อใกล้ถึงเพดาน agent จะหยุดเริ่มงานใหม่และคืนผลที่หาได้ โดย stopReason จะเป็น budget_reached หรือ time_limit_reached และสั่ง POST /agent/runs/{id}/stop เพื่อหยุดกลางทางแล้วเก็บผลไว้ได้ด้วย

ตัวเลขเบนช์มาร์ก — อ่านเงื่อนไขก่อน

Exa อ้างว่า Ultra ชนะ Opus 5.5, GPT-6 Astra และ Perplexity Agent ที่ตั้ง effort สูงสุดของแต่ละเจ้า ทั้ง 4 เบนช์มาร์ก

• WANDR: “+12.6% over Opus 5.5, +103% over Perplexity and +213% over GPT-6 Astra, at half the cost per task of Opus 5.5”
• DeepSearchQA: +4.7% เหนือ Perplexity, +10.1% เหนือ GPT-6 Astra, +21.0% เหนือ Opus 5.5
• WideSearch: +5.2% เหนือ Perplexity, +7.7% เหนือ GPT-6 Astra, +14.1% เหนือ Opus 5.5
• Find-All Company: มากกว่าคู่แข่ง 16–25 เท่า วัดจากจำนวนบริษัทที่หาเจอ

ที่น่าสนใจคือ WANDR เป็นเบนช์มาร์กของ Perplexity เอง (รีโป perplexityai/wandr Apache-2.0 เปิดเมื่อ ก.ค. 2026 พร้อมรายงานบน arXiv) แต่ Exa ระบุเองว่าเกรดเดอร์ที่ใช้ต่างจากต้นฉบับในสามจุด คือ ใช้ contents tool ของ Exa, ใช้ transport ของตัวเอง และใช้ judge เป็น gpt-6-luna ซึ่ง Exa บอกว่า “better and cheaper” ส่วนตัวเลขของคู่แข่ง ถ้าเจ้านั้นเคยเผยแพร่ผลบนเกรดเดอร์นี้ Exa ใช้ตัวเลขที่เผยแพร่ ถ้าไม่เคย Exa รันเอง แปลว่าตัวเลขส่วนหนึ่งมาจากการตั้งค่าที่ Exa เลือก และยังไม่มีใครยืนยันผลแยกออกมา ตัวเลขเป็น % ส่วนต่างสัมพัทธ์ ไม่ใช่คะแนนดิบ จึงต้องดูกราฟต้นฉบับเพื่อรู้ว่าช่องว่างจริงกว้างเท่าไร

มุมมอง AI Curator

ตลาด deep research กำลังแยกเป็นสองทาง ทางแรกคือ deep research ที่ติดมากับโมเดล เช่นของ OpenAI, Anthropic และ Perplexity ทางที่สองคือ deep research ในรูป API ที่มีเพดานงบ แบบ Exa สำหรับนักพัฒนา ทางที่สองน่าสนใจกว่าเพราะคุมต้นทุนต่องานได้ชัด มี stopReason ให้โค้ดตัดสินใจต่อ และได้ผลตาม schema ที่นำไปใส่ตารางได้ทันที งาน enrichment ซึ่งทีม sales ops และ due diligence ทำมือกันอยู่ จึงกลายเป็น batch job ที่รู้ราคาล่วงหน้า

แต่ต้องระวังเรื่องตัวเลข การชนะ Perplexity บนเบนช์มาร์กที่ Perplexity สร้างเองฟังดูหนักแน่น ทว่าเมื่อเปลี่ยน judge และ contents tool แล้ว ผลนี้ก็ไม่ใช่ผลบน WANDR ต้นฉบับอีกต่อไป ส่วน Find-All Company ที่ชนะกันเป็นสิบเท่า บอกเราได้มากกว่าว่า agent ทั่วไป หยุดค้นเร็วเกินไป มากกว่าจะบอกว่า Ultra ฉลาดกว่าเป็นสิบเท่า ซึ่งก็คือปัญหาที่ Ultra ตั้งใจแก้ตั้งแต่แรก

สำหรับทีมไทย ต้องทดสอบกับข้อมูลในประเทศก่อน ตัวอย่างและเบนช์มาร์กทั้งหมดเป็นบริษัทและเว็บภาษาอังกฤษ ถ้าโจทย์คือ “ลิสต์ SME ไทยที่ทำ X พร้อมผู้ติดต่อ” ข้อมูลส่วนใหญ่อยู่ในเว็บไทย เพจ Facebook และฐานข้อมูลกรมพัฒนาธุรกิจการค้า ซึ่ง search index จากฝั่งสหรัฐฯ อาจครอบคลุมได้ไม่ดี ควรเริ่มที่ maxCostDollars ต่ำ ๆ เช่น $2–5 แล้วเทียบกับลิสต์ที่ทำมือไว้ก่อนเพิ่มงบ และถ้าใช้ฟีเจอร์ดึงอีเมลหรือเบอร์โทร ต้องคิดเรื่องฐานทางกฎหมายตาม PDPA ก่อนนำไปใช้ติดต่อจริง

แหล่งข่าว

• Introducing Exa Agent Ultra — Exa Blog (25 ก.ย. 2026)
• Agent Ultra — Exa Docs (effort, budget, stop reasons)
• Exa Pricing — Agent usage rates
• perplexityai/wandr — WANDR benchmark (GitHub)