تعرف على Sonar الجديد: نموذج فائق السرعة لبحث Perplexity

ابتداءً من اليوم، سيتمكن جميع مستخدمي Perplexity Pro من تجربة أحدث إصدار من Sonar، وهو نموذج Perplexity الداخلي المُحسَّن لجودة الإجابات وتجربة المستخدم. بُني Sonar بالاعتماد على Llama 3.3 70B، وقد تم تدريبه بشكل إضافي لتحسين دقة الإجابات وقابليتها للقراءة في وضع البحث الافتراضي في Perplexity.

من خلال اختبارات A/B الشاملة عبر الإنترنت، وجدنا أن Sonar يتفوق بشكل ملحوظ على النماذج التي في فئته، مثل GPT-4o mini وClaude 3.5 Haiku، بينما يقارب أو يتجاوز أداء النماذج الرائدة مثل GPT-4o وClaude 3.5 Sonnet من حيث رضا المستخدمين. وبدعم من بنية Cerebras التحتية للاستدلال، يعمل Sonar بسرعة فائقة تبلغ 1200 رمز في الثانية، مما يتيح توليد إجابات فورية تقريباً.

لقد أجرَينا اختبارات A/B واسعة النطاق عبر الإنترنت لنموذج Sonar لقياس رضا المستخدمين - وهو مقياس رئيسي يرتبط ارتباطاً وثيقاً باستخدام المنتج ومعدل الاحتفاظ بالمستخدمين. يعكس هذا المقياس مدى رضا المستخدمين وتفاعلهم عند طرح الأسئلة على Perplexity.

تُظهر تقييماتنا أن Sonar يتفوق على كل من GPT-4o mini وClaude 3.5 Haiku بفارق كبير. كما قارنا Sonar بنماذج رائدة أكثر تكلفة ووجدنا أنه يتفوق على Claude 3.5 Sonnet، بينما يقترب بشدة من أداء GPT-4o بجزء بسيط من التكلفة وبسرعة تزيد عن 10 أضعاف.

بدعم من البنية التحتية للاستدلال من Cerebras، يقدم Sonar الإجابات بسرعات فائقة، محققاً معدل معالجة فك التشفير أسرع بـ 10 أضعاف تقريباً مقارنة بنماذج مشابهة مثل Gemini 2.0 Flash. يتيح ذلك توليد إجابات شبه فورية، مما يجعل Sonar مثالياً للاستعلام السريع عن المعلومات أو حالات الاستخدام التفصيلية للإجابة على الأسئلة.

لقد قمنا بتحسين Sonar عبر بُعدين أساسيين يرتبطان ارتباطاً وثيقاً برضا المستخدمين وهما: دقة الإجابات وقابليتها للقراءة.

دقة الإجابة: تقيس مدى قدرة النموذج على الإجابة عن الأسئلة باستخدام حقائق مستندة إلى نتائج البحث، وقدرته على حل المعلومات المتضاربة أو المفقودة.

قابلية القراءة: تقيس قدرة النموذج على تقديم إجابة موجزة ومفصلة مع الاستخدام المناسب لتنسيق الماركداون (markdown) لتنظيم النصوص.

تظهر نتائجنا أن Sonar يحسن هذه الجوانب بشكل كبير مقارنة بالنموذج الأساسي Llama 3.3 70B Instruct، بل ويتفوق حتى على النماذج الرائدة الأخرى في هذه المجالات الرئيسية†.

بالإضافة إلى ذلك، يتفوق Sonar أيضاً على النماذج الفئوية مثل GPT-4o mini وClaude 3.5 Haiku في المعايير الأكاديمية التي تقيس مدى التزام النموذج بتعليمات المستخدم والمعرفة العامة.

IFEval: يقيس مدى التزام النموذج بالتعليمات التي يقدمها المستخدم.

MMLU: يقيّم المعرفة العالمية عبر مجالات متنوعة.

كيف تبدو زيادة الدقة وقابلية القراءة في الواقع العملي؟ قارن بين هذه عمليات البحث التي تم إجراؤها على كل من Sonar ونماذج أخرى لملاحظة الفارق.

يتفوق Sonar في تقديم إجابات سريعة ودقيقة، مما يجعله نموذجاً رائعاً للاستخدام اليومي. يمكن لمستخدمي Perplexity Pro جعل Sonar نموذجهم الافتراضي في الإعدادات. ويمكن استخدامه أيضاً عبر خدمة Sonar API*.

†هذه التقييمات مُقوّمة على مقياس من 0 إلى 100، حيث تُعد القيم الأعلى أفضل.

*نموذج Sonar المُقدّم من خلال واجهة برمجة التطبيقات (API) لا يعمل حتى الآن على البنية التحتية للاستدلال من Cerebras، ولكنه قريباً جداً.

مستخدمو Perplexity يفضلون Sonar

السرعة الفائقة تتيح إجابات فورية

Sonar يتفوق في تقديم إجابات واقعية وعالية الجودة

كيف يجيب Sonar عن الأسئلة

استخدم Sonar اليوم

الحواشي