Perplexity впервые раскрыла технологии повышения точности своих передовых ИИ-моделей

Компания Perplexity, ориентированная на предоставление высокоточных и надежных ответов на основе мировых знаний, впервые раскрыла технологические методы, лежащие в основе эффективности ее передовых моделей искусственного интеллекта. Этот шаг призван расширить возможности пользователей в удовлетворении любознательности. Исследовательская команда Perplexity опубликовала подробное техническое описание своей технологии больших языковых моделей (LLM), дополненных поиском. Ключевым элементом их подхода является двухэтапное пост-обучение моделей, адаптированных для продуктов Perplexity, таких как Search, Comet и Computer. На первом этапе модели обучаются базовому поведению в продукте — следованию инструкциям, последовательности и корректному использованию инструментов. Затем, на втором этапе, они осваивают более сложные поисковые задачи, направленные на эффективный поиск и применение доказательств.

Этот поэтапный подход фундаментально отличает Perplexity от так называемых «оболочечных» решений, где ИИ-модели лишь получают доступ к вебу без глубокой интеграции в продукт. В результате такого специализированного обучения модели Perplexity демонстрируют значительно более высокие показатели по сравнению с их стандартными развертываниями. Они не просто генерируют текст, а активно находят и проверяют подтверждения, точно выполняют пользовательские запросы и умело используют доступные инструменты. Это позволяет моделям не ограничиваться выдачей отдельных фактов, но и синтезировать информацию из множества источников, объединяя доказательства для создания всесторонних и комплексных ответов. Кроме того, их обучение включает поддержание точности независимо от формата ответа — будь то абзац, список, таблица или другая структура, что гарантирует высокое качество и практическую применимость предоставляемой информации.

Для работы с открытыми задачами, такими как переписывание, редактирование, суммирование, объяснение или планирование, где отсутствует единственно верный ответ, Perplexity внедрила систему структурированных критериев оценки. Эти критерии, или «рубрики», позволяют объективно оценить, насколько ответ соответствует исходным инструкциям, сохраняет первоначальный смысл и эффективно решает проблему пользователя, тем самым стандартизируя оценку даже в творческих и аналитических сценариях. Фундаментальный принцип Perplexity заключается в приоритете точности над любыми другими предпочтениями. В случае фактических запросов, правильность ответа является абсолютным требованием, прежде чем будут рассматриваться его полезность или стилистическое качество. Для открытых задач, соответствие установленным рубрикам также первично по отношению к прочим характеристикам. Такой подход гарантирует концентрацию на сути, а не на форме, эффективно предотвращая генерацию внешне привлекательных, но фактически ошибочных ответов.

Помимо точности, ключевым фактором качества ответа является его эффективность. Модели Perplexity обучаются дисциплинированному подходу к поиску: каждый последующий шаг должен существенно улучшать ответ, а увеличение его длины должно быть оправдано дополнительной ценностью. Система также запрограммирована на прекращение поисковых операций или генерации контента, если дальнейшие действия не приносят ощутимой пользы. Это обеспечивает высокую сфокусированность ответов и минимизирует риск накопления ошибок. Компания Perplexity подчеркивает, что выдающееся качество поиска достигается благодаря непрерывной работе над тем, как продукт обучает модель эффективно собирать доказательства, формулировать ответы дисциплинированно, справляться с открытыми задачами и своевременно завершать процесс, когда получено достаточно информации. Хотя Perplexity не претендует на стопроцентную точность, она позиционирует себя как компания, наиболее глубоко заинтересованная в этом аспекте и неустанно работающая над постоянным улучшением, активно призывая пользователей оставлять свои отзывы.