--- title: "Perplexity AI (BG)" source: "https://systems-analysis.info/int/Perplexity_AI_(BG)" wiki: "systems-analysis.info/int" article: "Perplexity_AI_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 5544 wiki_created_at: 2026-09-06T23:50:47Z wiki_modified_at: 2026-09-06T23:50:47Z downloaded_at: 2026-09-07T23:09:03Z --- # Perplexity AI (BG) **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^{[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-wikipedia-ru-pplx-1)}. Компанията е основана през 2022 година от екип от специалисти на OpenAI, Meta, Google, DeepMind и Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-rbc-trends-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^{[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-rag-intro-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^{[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-wiki-eng-shrinivas-4)}. - **Денис Ярач** (CTO) — бивш научен сътрудник в Meta AI. - **Джони Хо** (CSO) — бивш инженер в Quora. - **Анди Конвински** — съосновател на Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-rbc-trends-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^{[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-forbes-ru-story-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**^{[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-vashgolos-14b-6)}, а месечната активна аудитория надхвърли **15 млн** потребители^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-3dnews-growth-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^{[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-timeweb-rag-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^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-3dnews-growth-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^{[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-kedprof-claude-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^{[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-pro-models-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^{[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-marktechpost-pplx-11)}. Те бяха базирани на дообучени версии на **Mistral 7B** и **Llama 2 70B** съответно и се специализираха в работата с онлайн данни^{[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-blog-online-llms-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^{[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-blog-new-sonar-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^{[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-cerebras-partnership-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^{[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-blog-speculation-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^{[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-blog-search-arena-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^{[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-pplx-blog-sonar-pro-api-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^{[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-thieme-radiology-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^{[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-mdpi-rare-disease-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^{[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_note-ieee-usability-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. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». В *Wikipedia, свободная энциклопедия*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-rbc-trends_2-0)} ^{[2.1](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-rbc-trends_2-1)} «Perplexity AI — убийца Google или временное явление». *РБК Тренды*. [2] 3. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. [3] 4. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. [4] 5. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-forbes-ru-story_5-0) Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». *Forbes.ru*. [5] 6. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-vashgolos-14b_6-0) «Стартап Perplexity AI оценили в \$14 млрд». *Ваш голос*. [6] 7. ↑ ^{[7.0](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-3dnews-growth_7-0)} ^{[7.1](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-3dnews-growth_7-1)} «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». *3DNews*. [7] 8. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-timeweb-rag_8-0) «Perplexity: что это за нейросеть, как работает и зачем нужна». *TimeWeb.Cloud*. [8] 9. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-kedprof-claude_9-0) «Perplexity и Claude AI: движок для точных ответов». *Кедр.pro*. [9] 10. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-pro-models_10-0) «What advanced AI models are included in a Perplexity Pro subscription?». *Perplexity Help Center*. [10] 11. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-marktechpost-pplx_11-0) «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». *MarkTechPost*. [11] 12. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. [12] 13. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-blog-new-sonar_13-0) «Meet a new era of Perplexity Sonar». *Perplexity Blog*. [13] 14. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-cerebras-partnership_14-0) «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». *Cerebras Press Release*. [14] 15. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. [15] 16. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-blog-search-arena_16-0) «Perplexity Sonar Dominates New Search Arena». *Perplexity Blog*. [16] 17. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-pplx-blog-sonar-pro-api_17-0) «Introducing the Sonar Pro API». *Perplexity Blog*. [17] 18. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-thieme-radiology_18-0) «Comparative Analysis of Large Language Models for Question Answering in Radiology». *Thieme Connect*. [18] 19. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-mdpi-rare-disease_19-0) «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». *MDPI*. [19] 20. [↑](https://systems-analysis.info/int/Perplexity_AI_(BG)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. [20]