Perplexity

Материал из Systems analysis Wiki
Перейти к навигации Перейти к поиску

Perplexity AI — это американский стартап и одноименный поисковый движок (conversational search engine), использующий искусственный интеллект для предоставления прямых ответов на запросы пользователей с указанием источников информации[1]. Компания была основана в 2022 году командой специалистов из OpenAI, Meta, Google, DeepMind и Databricks[2].

Платформа сочетает в себе собственные большие языковые модели (LLM) и доступ к ведущим моделям от других компаний, что позволяет ей оптимизировать скорость, точность и стоимость ответов. Ключевой технологией Perplexity является продвинутая система Retrieval-Augmented Generation (RAG), которая обогащает ответы LLM актуальной информацией из собственной поисковой инфраструктуры[3].

История и основатели

Компания Perplexity AI была основана в 2022 году четырьмя специалистами:

  • Аравинд Шринивас (CEO) — бывший исследователь в OpenAI, Google Brain и DeepMind[4].
  • Денис Ярац (CTO) — бывший научный сотрудник в Meta AI.
  • Джонни Хо (CSO) — бывший инженер в Quora.
  • Энди Конвински — сооснователь Databricks[2].

Изначально проект задумывался как B2B-сервис для анализа данных, но в октябре 2022 года команда разработала прототип поискового движка на основе Bing и GPT-3, что и определило дальнейшее развитие компании[5].

Perplexity AI привлекла значительные инвестиции от ведущих игроков, включая Nvidia, SoftBank и основателя Amazon Джеффа Безоса. К началу 2025 года оценка компании достигла $14 млрд[6], а ежемесячная активная аудитория превысила 15 млн пользователей[7].

Технологическая архитектура

Retrieval-Augmented Generation (RAG)

Основой Perplexity является технология RAG, которая позволяет преодолеть ограничения традиционных LLM, такие как устаревшие знания и "галлюцинации". Алгоритм работы состоит из нескольких этапов[8]:

  1. Анализ и переформулировка запроса пользователя для оптимального поиска.
  2. Поиск информации с использованием собственной поисковой инфраструктуры (краулер и система ранжирования), которая отдает приоритет авторитетным и не-SEO источникам[7].
  3. Извлечение наиболее релевантных фрагментов ("сниппетов") из найденных веб-страниц.
  4. Генерация связного и точного ответа с помощью LLM на основе этих фрагментов.
  5. Формирование ответа с указанием цитирований и ссылок на исходные источники.

Мультимодельная стратегия

Perplexity использует гибридный подход, комбинируя собственные и сторонние модели для достижения баланса между скоростью, точностью и стоимостью[9].

  • Для быстрых ответов в бесплатной версии часто используется Claude 3 Haiku.
  • Для сложных задач в платной Pro-версии доступны более мощные модели, такие как Claude 3.5 Sonnet и GPT-4o.

Пользователи с подпиской Perplexity Pro могут вручную выбирать из широкого спектра моделей, включая[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
  • Собственные модели Perplexity.

Собственные модели Perplexity

Компания разрабатывает собственные модели, оптимизированные для поисковых задач и работы с актуальной информацией из интернета.

Семейство PPLX (ранние модели)

Первыми собственными моделями Perplexity, доступными через API, стали pplx-7b-online и pplx-70b-online, представленные в декабре 2023 года[11]. Они были основаны на дообученных версиях Mistral 7B и Llama 2 70B соответственно и специализировались на работе с онлайн-данными[12].

Семейство Sonar (текущее поколение)

Sonar — это флагманское семейство моделей, построенное на основе Llama 3.3 70B от Meta, но прошедшее дополнительное дообучение для повышения фактической точности и читаемости ответов в поисковом режиме[13].

Ключевые особенности Sonar:

  • Высокая скорость: Благодаря партнерству с Cerebras и использованию их специализированной инфраструктуры вывода, Sonar достигает скорости генерации до 1200 токенов в секунду, что почти в 10 раз быстрее, чем Gemini 2.0 Flash[14].
  • Технология спекулятивного декодирования: Для дальнейшего ускорения генерации используется собственная "драфт-модель" размером 1B, которая позволяет основной модели генерировать несколько токенов за один проход[15].
  • Высокая производительность: В рамках оценки Search Arena от LM Arena модель Sonar-Reasoning-Pro заняла первое место, статистически сравнявшись с Gemini-2.5-Pro-Grounding[16].

API и корпоративные решения

Perplexity предоставляет доступ к своим моделям через Sonar API и Sonar Pro API для разработчиков и корпоративных клиентов. API оптимизированы для скорости и простоты использования, включают возможность цитирования и настройки источников поиска. Решения Perplexity используются в различных отраслях для создания нативных поисковых систем и автоматизации исследовательских задач[17].

Сравнительный анализ и пользовательский опыт

Производительность Perplexity варьируется в зависимости от типа задачи.

  • В задачах, требующих высокой фактической точности на основе свежих данных (например, радиологический анализ), Perplexity показывает наивысшую точность (0.83), превосходя Claude, Bing и ChatGPT[18].
  • В задачах, связанных с редкими или узкоспециализированными знаниями (например, редкие заболевания), Perplexity может уступать моделям с более обширной базой знаний, таким как ChatGPT и Gemini[19].

Исследование удобства использования (SUS) показало, что, хотя обе платформы, Google и Perplexity, являются приемлемыми, Google получил более высокую оценку (82.29) по сравнению с Perplexity (73.98). Это объясняется привычным интерфейсом Google и более крутой кривой обучения у Perplexity, предлагающей инновационные, но менее знакомые функции[20].

См. также

Ссылки

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.

Примечания

  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]
Источник — https://systems-analysis.info/wiki/index.php?title=Perplexity&oldid=161