Perplexity AI (BG)

From Systems analysis Wiki
Jump to navigation Jump to search

Perplexity AI — американски стартъп и едноименен търсачка (conversational search engine), използващ изкуствен интелект за предоставяне на директни отговори на потребителски заявки с посочване на източници на информация[1]. Компанията е основана през 2022 година от екип от специалисти на OpenAI, Meta, Google, DeepMind и Databricks[2].

Платформата съчетава собствени големи езикови модели (LLM) и достъп до водещи модели от други компании, което ѝ позволява да оптимизира скоростта, точността и цената на отговорите. Ключова технология на Perplexity е усъвършенстваната система Retrieval-Augmented Generation (RAG), която обогатява отговорите на LLM с актуална информация от собствената му търсачна инфраструктура[3].

История и основатели

Компанията Perplexity AI е основана през 2022 година от четирима специалисти:

  • Аравинд Шринивас (CEO) — бивш изследовател в OpenAI, Google Brain и DeepMind[4].
  • Денис Ярач (CTO) — бивш научен сътрудник в Meta AI.
  • Джони Хо (CSO) — бивш инженер в Quora.
  • Анди Конвински — съосновател на Databricks[2].

Първоначално проектът е замислен като B2B-услуга за анализ на данни, но през октомври 2022 година екипът разработи прототип на търсачка на базата на Bing и GPT-3, което определи по-нататъшното развитие на компанията[5].

Perplexity AI привлече значителни инвестиции от водещи играчи, включително Nvidia, SoftBank и основателя на Amazon Джеф Безос. До началото на 2025 година оценката на компанията достигна $14 млрд[6], а месечната активна аудитория надхвърли 15 млн потребители[7].

Технологична архитектура

Retrieval-Augmented Generation (RAG)

Основа на Perplexity е технологията RAG, която позволява преодоляването на ограниченията на традиционните LLM, като остарели знания и „халюцинации". Алгоритъмът на работа се състои от няколко етапа[8]:

  1. Анализ и преформулиране на потребителската заявка за оптимално търсене.
  2. Търсене на информация с използване на собствена търсачна инфраструктура (кроулър и система за ранжиране), която дава приоритет на авторитетни и не-SEO източници[7].
  3. Извличане на най-релевантните фрагменти („снипети") от намерените уебстраници.
  4. Генериране на свързан и точен отговор с помощта на LLM въз основа на тези фрагменти.
  5. Формиране на отговора с посочване на цитати и препратки към изходните източници.

Мултимоделна стратегия

Perplexity използва хибриден подход, комбинирайки собствени и чужди модели за постигане на баланс между скорост, точност и цена[9].

  • За бързи отговори в безплатната версия често се използва Claude 3 Haiku.
  • За сложни задачи в платената Pro-версия са достъпни по-мощни модели, като Claude 3.5 Sonnet и GPT-4o.

Потребителите с абонамент Perplexity Pro могат ръчно да избират от широк спектър от модели, включително[10]:

  • OpenAI: GPT-4o, GPT-4 Turbo
  • Anthropic: Claude 3.5 Sonnet, Claude 3 Opus, Claude 3 Haiku
  • Google: Gemini 2.5 Pro
  • Meta: Llama 3
  • Mistral AI: Mistral Large
  • xAI: Grok-3 Beta
  • Собствени модели на Perplexity.

Собствени модели на Perplexity

Компанията разработва собствени модели, оптимизирани за търсачни задачи и работа с актуална информация от интернет.

Семейство PPLX (ранни модели)

Първите собствени модели на Perplexity, достъпни чрез API, бяха pplx-7b-online и pplx-70b-online, представени през декември 2023 година[11]. Те бяха базирани на дообучени версии на Mistral 7B и Llama 2 70B съответно и се специализираха в работата с онлайн данни[12].

Семейство Sonar (текущо поколение)

Sonar — това е флагманското семейство модели, изградено на базата на Llama 3.3 70B от Meta, но преминало допълнително дообучение за повишаване на фактическата точност и четивността на отговорите в режим на търсене[13].

Ключови особености на Sonar:

  • Висока скорост: Благодарение на партньорството с Cerebras и използването на тяхната специализирана инфраструктура за извеждане, Sonar достига скорост на генериране до 1200 токена в секунда, което е почти 10 пъти по-бързо от Gemini 2.0 Flash[14].
  • Технология на спекулативно декодиране: За допълнително ускоряване на генерирането се използва собствен „draft-модел" с размер 1B, който позволява на основния модел да генерира няколко токена за един проход[15].
  • Висока производителност: В рамките на оценката Search Arena от LM Arena моделът Sonar-Reasoning-Pro зае първо място, статистически изравнявайки се с Gemini-2.5-Pro-Grounding[16].

API и корпоративни решения

Perplexity предоставя достъп до своите модели чрез Sonar API и Sonar Pro API за разработчици и корпоративни клиенти. API-тата са оптимизирани за скорост и лесна употреба, включват възможност за цитиране и настройка на източници за търсене. Решенията на Perplexity се използват в различни отрасли за създаване на нативни търсачки и автоматизиране на изследователски задачи[17].

Сравнителен анализ и потребителски опит

Производителността на Perplexity варира в зависимост от типа на задачата.

  • В задачи, изискващи висока фактическа точност въз основа на актуални данни (например радиологичен анализ), Perplexity показва най-висока точност (0.83), превъзхождайки Claude, Bing и ChatGPT[18].
  • В задачи, свързани с редки или тясноспециализирани знания (например редки заболявания), Perplexity може да отстъпва на модели с по-обширна база от знания, като ChatGPT и Gemini[19].

Изследването на удобството за ползване (SUS) показа, че, въпреки че и двете платформи — Google и Perplexity — са приемливи, Google получи по-висока оценка (82.29) в сравнение с Perplexity (73.98). Това се обяснява с познатия интерфейс на Google и по-стръмната крива на обучение при Perplexity, предлагаща иновативни, но по-малко познати функции[20].

Връзки

  • Официален сайт на Perplexity AI
  • Официален блог на Perplexity

Литература

  • Chen, C.; et al. (2023). Accelerating Large Language Model Decoding with Speculative Sampling. arXiv:2302.01318.
  • Zhang, J.; et al. (2023). Draft & Verify: Lossless Large Language Model Acceleration via Self‑Speculative Decoding. arXiv:2309.08168.
  • Chen, H.; et al. (2024). Retrieval‑Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
  • Soudani, H.; et al. (2024). Fine‑Tuning vs. Retrieval‑Augmented Generation for Less‑Popular Knowledge. arXiv:2403.01432.
  • Chen, Y.; et al. (2024). Evaluation of Retrieval‑Augmented Generation: A Survey. arXiv:2405.07437.
  • Hsieh, C.‑P.; et al. (2024). RULER: What's the Real Context Size of Your Long‑Context Language Models?. arXiv:2404.06654.
  • Arena Team (2025). Search Arena: Analyzing Search‑Augmented Large Language Models. arXiv:2506.05334.
  • Zhu, W.; et al. (2025). PSC: Extending Context Windows via Phase Shift Calibration. arXiv:2505.12423.
  • Yu, L.; et al. (2025). Synergizing RAG and Reasoning: A Systematic Review. arXiv:2504.15909.
  • Chen, X.; et al. (2025). Universal Embeddings for Multimodal Multilingual Retrieval. arXiv:2506.18902.

Бележки

  1. ↑ «Perplexity.ai». В Wikipedia, свободная энциклопедия. [1]
  2. ↑ «An Introduction to RAG Models». Perplexity AI. [3]
  3. ↑ «Aravind Srinivas». In Wikipedia. [4]
  4. ↑ Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». Forbes.ru. [5]
  5. ↑ «Стартап Perplexity AI оценили в $14 млрд». Ваш голос. [6]
  6. ↑ 7.0 7.1 «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». 3DNews. [7]
  7. ↑ «Perplexity: что это за нейросеть, как работает и зачем нужна». TimeWeb.Cloud. [8]
  8. ↑ «Perplexity и Claude AI: движок для точных ответов». Кедр.pro. [9]
  9. ↑ «What advanced AI models are included in a Perplexity Pro subscription?». Perplexity Help Center. [10]
  10. ↑ «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». MarkTechPost. [11]
  11. ↑ «Introducing PPLX Online LLMs». Perplexity Blog. [12]
  12. ↑ «Meet a new era of Perplexity Sonar». Perplexity Blog. [13]
  13. ↑ «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». Cerebras Press Release. [14]
  14. ↑ «Accelerating Sonar through Speculation». Perplexity Blog. [15]
  15. ↑ «Perplexity Sonar Dominates New Search Arena». Perplexity Blog. [16]
  16. ↑ «Introducing the Sonar Pro API». Perplexity Blog. [17]
  17. ↑ «Comparative Analysis of Large Language Models for Question Answering in Radiology». Thieme Connect. [18]
  18. ↑ «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». MDPI. [19]
  19. ↑ «Usability and User Satisfaction of Google Search and Perplexity AI». IEEE Xplore. [20]
Retrieved from "https://systems-analysis.info/int/index.php?title=Perplexity_AI_(BG)&oldid=5544"