--- title: "Perplexity AI (HE)" source: "https://systems-analysis.info/int/Perplexity_AI_(HE)" wiki: "systems-analysis.info/int" article: "Perplexity_AI_(HE)" language: "he" categories: - "Category:Hebrew" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 5552 wiki_created_at: 2026-09-06T23:50:54Z wiki_modified_at: 2026-09-06T23:50:54Z downloaded_at: 2026-09-07T23:09:06Z --- # Perplexity AI (HE) **Perplexity AI** — היא סטארטאפ אמריקאי ו**מנוע חיפוש** בעל שם זהה (conversational search engine), המשתמש בבינה מלאכותית כדי לספק תשובות ישירות לשאילתות משתמשים תוך ציון מקורות המידע^{[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-wikipedia-ru-pplx-1)}. החברה נוסדה בשנת 2022 על ידי צוות מומחים מ-OpenAI, Meta, Google, DeepMind ו-Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-rbc-trends-2)}. הפלטפורמה משלבת מודלי שפה גדולים (LLM) משלה עם גישה למודלים מובילים של חברות אחרות, מה שמאפשר לה לאטב את המהירות, הדיוק ועלות התשובות. הטכנולוגיה המרכזית של Perplexity היא מערכת **Retrieval-Augmented Generation (RAG)** מתקדמת, אשר מעשירה את תשובות ה-LLM במידע עדכני מתשתית החיפוש הפנימית שלה^{[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-pplx-rag-intro-3)}. ## היסטוריה ומייסדים חברת Perplexity AI נוסדה בשנת 2022 על ידי ארבעה מומחים: - **ארווינד שריניבס** (CEO) — חוקר לשעבר ב-OpenAI, Google Brain ו-DeepMind^{[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-wiki-eng-shrinivas-4)}. - **דניס יאראץ'** (CTO) — חוקר מדעי לשעבר ב-Meta AI. - **ג'וני הו** (CSO) — מהנדס לשעבר ב-Quora. - **אנדי קונווינסקי** — שותף מייסד של Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-rbc-trends-2)}. בתחילה הוגה הפרויקט כשירות B2B לניתוח נתונים, אך באוקטובר 2022 פיתח הצוות אב-טיפוס של מנוע חיפוש מבוסס Bing ו-GPT-3, אשר קבע את כיוון התפתחות החברה בהמשך^{[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-forbes-ru-story-5)}. Perplexity AI משכה השקעות משמעותיות מגורמים מובילים, כולל Nvidia, SoftBank ומייסד Amazon ג'ף בזוס. עד תחילת 2025 הגיעה שווי החברה ל-**14 מיליארד דולר**^{[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-vashgolos-14b-6)}, וקהל המשתמשים הפעילים החודשי עלה על **15 מיליון** משתמשים^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-3dnews-growth-7)}. ## ארכיטקטורה טכנולוגית ### Retrieval-Augmented Generation (RAG) הבסיס של Perplexity הוא טכנולוגיית **RAG**, המאפשרת להתגבר על מגבלותיהם של LLM מסורתיים, כגון ידע מיושן ו"הזיות". האלגוריתם פועל במספר שלבים^{[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-timeweb-rag-8)}: 1. ניתוח וניסוח מחדש של שאילתת המשתמש לצורך חיפוש אופטימלי. 2. חיפוש מידע באמצעות **תשתית חיפוש פנימית** (כולל סורק רשת ומערכת דירוג), הנותנת עדיפות למקורות סמכותיים שאינם ממוטבי SEO^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-3dnews-growth-7)}. 3. חילוץ הקטעים הרלוונטיים ביותר ("קטעיות") מדפי האינטרנט שנמצאו. 4. יצירת תשובה קוהרנטית ומדויקת באמצעות LLM על בסיס קטעים אלה. 5. הצגת התשובה עם **ציון מובאות** וקישורים למקורות המקוריים. ### אסטרטגיית רב-מודלים Perplexity משתמשת בגישה היברידית, המשלבת מודלים פנימיים וחיצוניים להשגת איזון בין מהירות, דיוק ועלות^{[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-kedprof-claude-9)}. - לתשובות מהירות בגרסה החינמית משמש לרוב **Claude 3 Haiku**. - למשימות מורכבות בגרסת Pro בתשלום זמינים מודלים חזקים יותר, כגון **Claude 3.5 Sonnet** ו-**GPT-4o**. משתמשים עם מנוי **Perplexity Pro** יכולים לבחור ידנית ממגוון רחב של מודלים, כולל^{[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#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 - מודלים פנימיים של Perplexity. ## מודלים פנימיים של Perplexity החברה מפתחת מודלים פנימיים משלה, המאוטבים למשימות חיפוש ולעבודה עם מידע עדכני מהאינטרנט. ### משפחת PPLX (מודלים מוקדמים) המודלים הפנימיים הראשונים של Perplexity, שנגישים דרך API, היו **pplx-7b-online** ו-**pplx-70b-online**, שהוצגו בדצמבר 2023^{[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-marktechpost-pplx-11)}. הם התבססו על גרסאות מכווננות של **Mistral 7B** ו-**Llama 2 70B** בהתאמה, והתמחו בעבודה עם נתונים מקוונים^{[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-pplx-blog-online-llms-12)}. ### משפחת Sonar (הדור הנוכחי) **Sonar** — זוהי משפחת המודלים הדגל, הבנויה על בסיס **Llama 3.3 70B** של Meta, אך עברה כיוונון עדין נוסף לשיפור הדיוק העובדתי וקריאות התשובות במצב חיפוש^{[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-pplx-blog-new-sonar-13)}. מאפיינים מרכזיים של Sonar: - **מהירות גבוהה**: הודות לשותפות עם **Cerebras** ולשימוש בתשתית ההסקה המיוחדת שלה, Sonar מגיע למהירות יצירה של עד **1,200 token לשנייה**, המהיר כמעט פי 10 מ-Gemini 2.0 Flash^{[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-cerebras-partnership-14)}. - **טכנולוגיית פענוח ספקולטיבי**: לצורך האצה נוספת של היצירה משמש "מודל טיוטה" פנימי בגודל 1B, המאפשר למודל הראשי לייצר מספר token במעבר אחד^{[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-pplx-blog-speculation-15)}. - **ביצועים גבוהים**: במסגרת הערכת **Search Arena** של LM Arena, המודל **Sonar-Reasoning-Pro** זכה במקום הראשון, השווה סטטיסטית ל-Gemini-2.5-Pro-Grounding^{[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-pplx-blog-search-arena-16)}. ## API ופתרונות ארגוניים Perplexity מספקת גישה למודליה דרך **Sonar API** ו-**Sonar Pro API** למפתחים ולקוחות ארגוניים. ה-API מאוטבים למהירות ולפשטות שימוש, כוללים יכולת ציטוט והגדרת מקורות חיפוש. פתרונות Perplexity משמשים בתעשיות שונות ליצירת מערכות חיפוש ייעודיות ולאוטומציה של משימות מחקר^{[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-pplx-blog-sonar-pro-api-17)}. ## ניתוח השוואתי וחוויית משתמש ביצועי Perplexity משתנים בהתאם לסוג המשימה. - במשימות הדורשות דיוק עובדתי גבוה המבוסס על נתונים עדכניים (למשל ניתוח רדיולוגי), Perplexity מציג **את הדיוק הגבוה ביותר (0.83)**, עולה על Claude, Bing ו-ChatGPT^{[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-thieme-radiology-18)}. - במשימות הקשורות לידע נדיר או מתמחה מאוד (למשל מחלות נדירות), Perplexity עשוי לפגר אחרי מודלים בעלי בסיס ידע רחב יותר, כגון ChatGPT ו-Gemini^{[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-mdpi-rare-disease-19)}. מחקר על נוחות שימוש (SUS) הראה כי אף ששתי הפלטפורמות, Google ו-Perplexity, הן מקובלות, Google קיבל ציון גבוה יותר (82.29) בהשוואה ל-Perplexity (73.98). הדבר מוסבר בממשק המוכר של Google ובעקומת הלמידה התלולה יותר של Perplexity, המציעה פונקציות חדשניות אך פחות מוכרות^{[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_note-ieee-usability-20)}. ## קישורים - האתר הרשמי של Perplexity AI - הבלוג הרשמי של Perplexity ## ספרות - 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. ## הערות 1. [↑](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». В *Wikipedia, свободная энциклопедия*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_ref-rbc-trends_2-0)} ^{[2.1](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_ref-rbc-trends_2-1)} «Perplexity AI — убийца Google или временное явление». *РБК Тренды*. [2] 3. [↑](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. [3] 4. [↑](https://systems-analysis.info/int/Perplexity_AI_(HE)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. [4] 5. [↑](https://systems-analysis.info/int/Perplexity_AI_(HE)#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_(HE)#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_(HE)#cite_ref-3dnews-growth_7-0)} ^{[7.1](https://systems-analysis.info/int/Perplexity_AI_(HE)#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_(HE)#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_(HE)#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_(HE)#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_(HE)#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_(HE)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. [12] 13. [↑](https://systems-analysis.info/int/Perplexity_AI_(HE)#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_(HE)#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_(HE)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. [15] 16. [↑](https://systems-analysis.info/int/Perplexity_AI_(HE)#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_(HE)#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_(HE)#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_(HE)#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_(HE)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. [20]