---
title: "Perplexity AI (FA)"
source: "https://systems-analysis.info/int/Perplexity_AI_(FA)"
wiki: "systems-analysis.info/int"
article: "Perplexity_AI_(FA)"
language: "fa"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Persian"
revision_id: 5550
wiki_created_at: 2026-09-06T23:50:52Z
wiki_modified_at: 2026-09-06T23:50:52Z
downloaded_at: 2026-09-07T23:09:05Z
---

# Perplexity AI (FA)

**Perplexity AI** — یک استارتاپ آمریکایی و **موتور جستجوی** هم‌نام آن (conversational search engine) است که از هوش مصنوعی برای ارائه پاسخ‌های مستقیم به درخواست‌های کاربران با ذکر منابع اطلاعاتی استفاده می‌کند<sup>[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-wikipedia-ru-pplx-1)</sup>. این شرکت در سال ۲۰۲۲ توسط تیمی از متخصصان OpenAI، Meta، Google، DeepMind و Databricks تأسیس شد<sup>[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-rbc-trends-2)</sup>.

این پلتفرم مدل‌های زبانی بزرگ (LLM) اختصاصی خود را با دسترسی به مدل‌های پیشرو سایر شرکت‌ها ترکیب می‌کند و به این ترتیب سرعت، دقت و هزینه پاسخ‌ها را بهینه می‌سازد. فناوری کلیدی Perplexity یک سیستم پیشرفته **Retrieval-Augmented Generation (RAG)** است که پاسخ‌های LLM را با اطلاعات به‌روز از زیرساخت جستجوی اختصاصی خود غنی می‌سازد<sup>[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-rag-intro-3)</sup>.

## تاریخچه و بنیان‌گذاران

شرکت Perplexity AI در سال ۲۰۲۲ توسط چهار متخصص تأسیس شد:

- **Aravind Srinivas** (مدیرعامل) — پژوهشگر سابق در OpenAI، Google Brain و DeepMind<sup>[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-wiki-eng-shrinivas-4)</sup>.
- **Denis Yarats** (مدیر ارشد فناوری) — محقق سابق در Meta AI.
- **Johnny Ho** (مدیر ارشد استراتژی) — مهندس سابق در Quora.
- **Andy Konwinski** — هم‌بنیان‌گذار Databricks<sup>[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-rbc-trends-2)</sup>.

این پروژه در ابتدا به‌عنوان یک سرویس B2B برای تحلیل داده طراحی شده بود، اما در اکتبر ۲۰۲۲ تیم یک نمونه اولیه موتور جستجو بر پایه Bing و GPT-3 توسعه داد که مسیر آینده شرکت را تعیین کرد<sup>[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-forbes-ru-story-5)</sup>.

Perplexity AI سرمایه‌گذاری‌های قابل توجهی از بازیگران برجسته از جمله Nvidia، SoftBank و جف بزوس بنیان‌گذار Amazon جذب کرده است. تا اوایل سال ۲۰۲۵ ارزش‌گذاری شرکت به **۱۴ میلیارد دلار** رسید<sup>[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-vashgolos-14b-6)</sup> و مخاطبان فعال ماهانه از **۱۵ میلیون** کاربر فراتر رفت<sup>[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-3dnews-growth-7)</sup>.

## معماری فناوری

### Retrieval-Augmented Generation (RAG)

پایه Perplexity فناوری **RAG** است که امکان غلبه بر محدودیت‌های LLM‌های سنتی، مانند دانش قدیمی و «توهمات» را فراهم می‌کند. الگوریتم عملکرد از چندین مرحله تشکیل شده است<sup>[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-timeweb-rag-8)</sup>:

1.  تحلیل و بازصورت‌بندی درخواست کاربر برای جستجوی بهینه.
2.  جستجوی اطلاعات با استفاده از **زیرساخت جستجوی اختصاصی** (خزنده وب و سیستم رتبه‌بندی) که به منابع معتبر و غیر-SEO اولویت می‌دهد<sup>[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-3dnews-growth-7)</sup>.
3.  استخراج مرتبط‌ترین قطعات («اسنیپت‌ها») از صفحات وب یافت‌شده.
4.  تولید پاسخی منسجم و دقیق توسط LLM بر اساس این قطعات.
5.  ارائه پاسخ با **ذکر استنادها** و پیوندها به منابع اصلی.

### استراتژی چندمدلی

Perplexity از رویکردی ترکیبی استفاده می‌کند و مدل‌های اختصاصی و شخص ثالث را برای دستیابی به تعادل میان سرعت، دقت و هزینه ترکیب می‌نماید<sup>[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-kedprof-claude-9)</sup>.

- برای پاسخ‌های سریع در نسخه رایگان اغلب از **Claude 3 Haiku** استفاده می‌شود.
- برای وظایف پیچیده در نسخه پولی Pro، مدل‌های قدرتمندتری مانند **Claude 3.5 Sonnet** و **GPT-4o** در دسترس هستند.

کاربران دارای اشتراک **Perplexity Pro** می‌توانند به صورت دستی از طیف گسترده‌ای از مدل‌ها انتخاب کنند، از جمله<sup>[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-pro-models-10)</sup>:

- **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
- مدل‌های اختصاصی Perplexity.

## مدل‌های اختصاصی Perplexity

شرکت مدل‌های اختصاصی خود را که برای وظایف جستجو و کار با اطلاعات به‌روز اینترنت بهینه شده‌اند، توسعه می‌دهد.

### خانواده PPLX (مدل‌های اولیه)

اولین مدل‌های اختصاصی Perplexity که از طریق API در دسترس قرار گرفتند، **pplx-7b-online** و **pplx-70b-online** بودند که در دسامبر ۲۰۲۳ معرفی شدند<sup>[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-marktechpost-pplx-11)</sup>. این مدل‌ها بر اساس نسخه‌های fine-tuning‌شده **Mistral 7B** و **Llama 2 70B** به ترتیب ساخته شده بودند و در کار با داده‌های آنلاین تخصص داشتند<sup>[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-blog-online-llms-12)</sup>.

### خانواده Sonar (نسل فعلی)

**Sonar** — خانواده مدل‌های پرچم‌دار است که بر پایه **Llama 3.3 70B** از Meta ساخته شده، اما fine-tuning اضافی برای بهبود دقت واقعی و خوانایی پاسخ‌ها در حالت جستجو روی آن انجام شده است<sup>[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-blog-new-sonar-13)</sup>.

ویژگی‌های کلیدی Sonar:

- **سرعت بالا**: به لطف شراکت با **Cerebras** و استفاده از زیرساخت تخصصی استنتاج آن‌ها، Sonar به سرعت تولید تا **۱۲۰۰ token در ثانیه** می‌رسد که تقریباً ۱۰ برابر سریع‌تر از Gemini 2.0 Flash است<sup>[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-cerebras-partnership-14)</sup>.
- **فناوری speculative decoding**: برای تسریع بیشتر تولید، از یک «مدل پیش‌نویس» اختصاصی با اندازه ۱B استفاده می‌شود که به مدل اصلی اجازه می‌دهد چندین token را در یک گذر تولید کند<sup>[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-blog-speculation-15)</sup>.
- **عملکرد بالا**: در چارچوب ارزیابی **Search Arena** از LM Arena، مدل **Sonar-Reasoning-Pro** رتبه اول را کسب کرد و از نظر آماری با Gemini-2.5-Pro-Grounding برابری کرد<sup>[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-blog-search-arena-16)</sup>.

## API و راهکارهای سازمانی

Perplexity از طریق **Sonar API** و **Sonar Pro API** برای توسعه‌دهندگان و مشتریان سازمانی دسترسی به مدل‌های خود را فراهم می‌کند. این APIها برای سرعت و سهولت استفاده بهینه شده‌اند و امکان استناددهی و تنظیم منابع جستجو را در بر می‌گیرند. راهکارهای Perplexity در صنایع مختلف برای ایجاد سیستم‌های جستجوی بومی و خودکارسازی وظایف پژوهشی به کار می‌رود<sup>[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-pplx-blog-sonar-pro-api-17)</sup>.

## تحلیل مقایسه‌ای و تجربه کاربری

عملکرد Perplexity بسته به نوع وظیفه متفاوت است.

- در وظایفی که نیاز به دقت واقعی بالا بر اساس داده‌های تازه دارند (برای مثال، تحلیل رادیولوژیک)، Perplexity **بالاترین دقت (۰.۸۳)** را نشان می‌دهد و از Claude، Bing و ChatGPT پیشی می‌گیرد<sup>[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-thieme-radiology-18)</sup>.
- در وظایف مرتبط با دانش نادر یا بسیار تخصصی (مثلاً بیماری‌های نادر)، Perplexity ممکن است از مدل‌هایی با پایه دانش گسترده‌تر مانند ChatGPT و Gemini عقب بماند<sup>[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-mdpi-rare-disease-19)</sup>.

پژوهش در زمینه سهولت استفاده (SUS) نشان داد که اگرچه هر دو پلتفرم Google و Perplexity قابل قبول هستند، Google امتیاز بالاتری (۸۲.۲۹) در مقایسه با Perplexity (۷۳.۹۸) کسب کرد. این امر به رابط کاربری آشنای Google و منحنی یادگیری تندتر Perplexity که ویژگی‌های نوآورانه اما کمتر آشنا ارائه می‌دهد نسبت داده می‌شود<sup>[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_note-ieee-usability-20)</sup>.

## پیوندها

- وب‌سایت رسمی Perplexity AI
- وبلاگ رسمی Perplexity

## منابع

- 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.

## یادداشت‌ها

1.  <span id="cite_note-wikipedia-ru-pplx-1">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». В *Wikipedia, свободная энциклопедия*. <a href="https://ru.wikipedia.org/wiki/Perplexity.ai" class="external autonumber" rel="nofollow">[۱]</a></span>
2.  <span id="cite_note-rbc-trends-2">↑ <sup>[2.0](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-rbc-trends_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-rbc-trends_2-1)</sup> «Perplexity AI — убийца Google или временное явление». *РБК Тренды*. <a href="https://trends.rbc.ru/trends/industry/668bba599a79472bf71c43cd" class="external autonumber" rel="nofollow">[۲]</a></span>
3.  <span id="cite_note-pplx-rag-intro-3">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. <a href="https://www.perplexity.ai/page/an-introduction-to-rag-models-jBULt6_mSB2yAV8b17WLDA" class="external autonumber" rel="nofollow">[۳]</a></span>
4.  <span id="cite_note-wiki-eng-shrinivas-4">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. <a href="https://en.wikipedia.org/wiki/Aravind_Srinivas" class="external autonumber" rel="nofollow">[۴]</a></span>
5.  <span id="cite_note-forbes-ru-story-5">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-forbes-ru-story_5-0) Белоусова, Анастасия. «Как белорус с партнерами построили один из самых дорогих стартапов в мире Perplexity». *Forbes.ru*. <a href="https://www.forbes.ru/svoi-biznes/526489-kak-belorus-s-partnerami-postroili-odin-iz-samyh-dorogih-startapov-v-mire-perplexity" class="external autonumber" rel="nofollow">[۵]</a></span>
6.  <span id="cite_note-vashgolos-14b-6">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-vashgolos-14b_6-0) «Стартап Perplexity AI оценили в \$14 млрд». *Ваш голос*. <a href="https://vashgolos.net/news/87429" class="external autonumber" rel="nofollow">[۶]</a></span>
7.  <span id="cite_note-3dnews-growth-7">↑ <sup>[7.0](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-3dnews-growth_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-3dnews-growth_7-1)</sup> «Поисковая система Perplexity на базе ИИ показала бурный рост и готова конкурировать с Google». *3DNews*. <a href="https://3dnews.ru/1109254/poiskovaya-sistema-perplexity-na-baze-ii-pokazala-burniy-rost-i-gotova-k-onkurirovat-s-google" class="external autonumber" rel="nofollow">[۷]</a></span>
8.  <span id="cite_note-timeweb-rag-8">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-timeweb-rag_8-0) «Perplexity: что это за нейросеть, как работает и зачем нужна». *TimeWeb.Cloud*. <a href="https://timeweb.cloud/blog/perplexity-chto-eto-za-nejroset" class="external autonumber" rel="nofollow">[۸]</a></span>
9.  <span id="cite_note-kedprof-claude-9">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-kedprof-claude_9-0) «Perplexity и Claude AI: движок для точных ответов». *Кедр.pro*. <a href="https://kedprof.ru/tpost/ofug8mo051-perplexity-i-claude-ai-dvizhok-dlya-toch" class="external autonumber" rel="nofollow">[۹]</a></span>
10. <span id="cite_note-pplx-pro-models-10">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-pro-models_10-0) «What advanced AI models are included in a Perplexity Pro subscription?». *Perplexity Help Center*. <a href="https://www.perplexity.ai/help-center/en/articles/10354919-what-advanced-ai-models-are-included-in-a-perplexity-pro-subscription" class="external autonumber" rel="nofollow">[۱۰]</a></span>
11. <span id="cite_note-marktechpost-pplx-11">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-marktechpost-pplx_11-0) «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». *MarkTechPost*. <a href="https://www.marktechpost.com/2023/12/03/perplexity-unveils-two-new-online-llm-models-pplx-7b-online-and-pplx-70b-online/" class="external autonumber" rel="nofollow">[۱۱]</a></span>
12. <span id="cite_note-pplx-blog-online-llms-12">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/introducing-pplx-online-llms" class="external autonumber" rel="nofollow">[۱۲]</a></span>
13. <span id="cite_note-pplx-blog-new-sonar-13">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-blog-new-sonar_13-0) «Meet a new era of Perplexity Sonar». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/meet-new-sonar" class="external autonumber" rel="nofollow">[۱۳]</a></span>
14. <span id="cite_note-cerebras-partnership-14">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-cerebras-partnership_14-0) «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». *Cerebras Press Release*. <a href="https://www.cerebras.ai/press-release/cerebras-powers-perplexity-sonar-with-industrys-fastest-ai-inference" class="external autonumber" rel="nofollow">[۱۴]</a></span>
15. <span id="cite_note-pplx-blog-speculation-15">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/accelerating-sonar-through-speculation" class="external autonumber" rel="nofollow">[۱۵]</a></span>
16. <span id="cite_note-pplx-blog-search-arena-16">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-blog-search-arena_16-0) «Perplexity Sonar Dominates New Search Arena». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/perplexity-sonar-dominates-new-search-arena-evolution" class="external autonumber" rel="nofollow">[۱۶]</a></span>
17. <span id="cite_note-pplx-blog-sonar-pro-api-17">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-pplx-blog-sonar-pro-api_17-0) «Introducing the Sonar Pro API». *Perplexity Blog*. <a href="https://www.perplexity.ai/hub/blog/introducing-the-sonar-pro-api" class="external autonumber" rel="nofollow">[۱۷]</a></span>
18. <span id="cite_note-thieme-radiology-18">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-thieme-radiology_18-0) «Comparative Analysis of Large Language Models for Question Answering in Radiology». *Thieme Connect*. <a href="http://www.thieme-connect.de/DOI/DOI?10.1055/s-0044-1787974" class="external autonumber" rel="nofollow">[۱۸]</a></span>
19. <span id="cite_note-mdpi-rare-disease-19">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-mdpi-rare-disease_19-0) «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». *MDPI*. <a href="https://www.mdpi.com/2075-4418/15/6/672" class="external autonumber" rel="nofollow">[۱۹]</a></span>
20. <span id="cite_note-ieee-usability-20">[↑](https://systems-analysis.info/int/Perplexity_AI_(FA)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. <a href="https://ieeexplore.ieee.org/document/10957499/" class="external autonumber" rel="nofollow">[۲۰]</a></span>