Perplexity блогы

OG card: chart-to-art exploded axonometric of the JOLT training figure: one set of weights at the base, the Teacher and Student roles above it, six generations per role on top, with crossing dashed paths for each role scoring the other
Зерттеулер2026 M10 21Жақсы мұғалім оқушының деңгейіне бейімделедіКүрделі пайымдау және агенттік тапсырмаларда модель өнімділігі мен оқыту тиімділігін арттыру үшін мұғалім мен оқушыны бірлесіп оқытатын жаңа өзіндік дистилляция әдісі.
People working on laptops with the U.S. Capitol visible through a window at dusk.
Жаңалықтар2026 M10 28Жаңа FedRAMP сертификаты Perplexity-ні мемлекеттік жұмыс процестерінде кеңірек қолдануға жол ашадыЖаңа FedRAMP сертификатының арқасында федералдық агенттіктер Perplexity арқылы нақты уақытта веб-іздеу жүргізіп, дереккөз сілтемелері бар жауаптар ала алады.

Таңдаулы

  1. A white shield and keyhole on a translucent glass tile against a teal landscape.
    Идеялар2026 M09 29Қауіпсіз агенттерді қалай жобалаймызPerplexity компаниясының бұлтты, браузерлік, жергілікті және шеткі құрылғы агенттеріндегі қабаттастырылған қорғаныс, тәуелсіз мониторинг және адамның бақылауы.
  2. Abstract glass panel with illuminated edges separating light and shadow against a dark background.
    Жаңалықтар2026 M10 15SPACE бастапқы кодын ашамыз: Computer жұмысын қамтамасыз ететін Sandbox платформасыPerplexity әзірлеушілерге қауіпсіз автономды ЖИ агенттерін құруға көмектесу үшін Computer жұмысын қамтамасыз ететін SPACE Sandbox платформасының бастапқы кодын ашады
  3. Two people working at separate desks in a dimly lit office.
    Әзірлеушілер2026 M09 28Agent API енді қайта пайдаланылатын агенттерді қолдайдыКомандалар қолданбалар арасында бөлісе алатын нұсқасы бар Profile, Skill және басқарылатын коннекторлар арқылы қайта пайдаланылатын агенттерді жасайды.

Perplexity зерттеу тобынан тағы

  1. SPACE-тен қашу: I бөлімЖасанды интеллект агенттері үшін VM оқшаулауын және желілік шектеуді қызыл топтық сынақтан өткізу.
  2. Адамдар мен агенттерге арналған ортақ жұмыс кеңістіктерін құруPerplexity Жобалары ұзақ мерзімді жұмысты қалай тұрақты сақталатын, параллель әрі бақыланатын етеді.
  3. Бір вектордан тыс мультимодальды embedding-терМодель өлшемдері бойынша ортақ embedding кеңістігі бар, мәтін мен кескін іздеуге арналған late-interaction модельдерінің жаңа топтамасы.
Барлық зерттеулер

Жақында жарияланған

211 жазба табылды

  1. Text embeddings explained: how they work [+examples]This guide explains what text embeddings are, how they turn text into vectors that capture meaning, and how to choose, evaluate, and apply embedding models to search, RAG, and other real-world use cases.
  2. Жаңа FedRAMP сертификаты Perplexity-ні мемлекеттік жұмыс процестерінде кеңірек қолдануға жол ашадыЖаңа FedRAMP сертификатының арқасында федералдық агенттіктер Perplexity арқылы нақты уақытта веб-іздеу жүргізіп, дереккөз сілтемелері бар жауаптар ала алады.
  3. Қарапайым RAG енгізу: қадамдық нұсқаулықЖаңадан бастаушыларға арналған бұл нұсқаулық қарапайым RAG енгізуінің қалай жұмыс істейтінін түсіндіреді, үздік тәжірибелерді қарастырады және Python, ChromaDB, сондай-ақ Perplexity-нің эмбеддинг және тілдік модельдерін пайдаланып, жұмыс істейтін командалық жол RAG жүйесін құру жолын көрсетеді.
  4. LLM шлюзі қалай жұмыс істейді? Инженерлік командаларға арналған практикалық нұсқаулықLLM шлюзі — модель шақыруларыңызды маршруттайтын, аутентификациялайтын, кэштейтін және журналға жазатын кері прокси; бұл нұсқаулықта сұраудың шлюз арқылы өту жолы қадам бойынша көрсетіледі, алдын ала жоспарлау қажет қауіпсіздік пен сенімділік тәуекелдері қарастырылады, сондай-ақ өз бетінше әзірлеу, өз инфрақұрылымында орналастыру, басқарылатын қызмет және API шлюзі нұсқалары салыстырылады.
  5. RAG архитектурасы дегеніміз не? Толық анықтамасы және егжей-тегжейлі практикалық мысалдарRAG архитектурасы — сыртқы ақпаратты сақтайтын, іздеп табатын және LLM-ге беретін компоненттер жиынтығы; бұл нұсқаулықта базалық және гибридті RAG-тан агенттік RAG пен GraphRAG-қа дейінгі 10 түрі екі қадамдық мысал арқылы талданады.
  6. ЖИ агенттерін қалай бағалау керек: тест жиынтықтары, бағалаушылар және регрессиялық тексерулерЖИ агенттерін бағалау бойынша алты қадамнан тұратын практикалық нұсқаулық: сәттілік критерийлерін анықтау мен нақты ақаулар негізінде тест жиынтықтарын құрудан бастап бағалаушыларды таңдауға, регрессиялық тексерулерді іске қосуға және өндірістік ортада бақылауға дейін.
  7. Команданың токен шығынын қалай қадағалап, басқаруға боладыКомандалар өз токен шығынын бақылау тақталары мен есептерде қалай көре алады, ЖИ жұмысының қандай түрлері ең көп токен пайдаланады және оны азайту үшін басқару құралдарын қалай пайдалануға болады.
  8. Жақсы мұғалім оқушының деңгейіне бейімделедіКүрделі пайымдау және агенттік тапсырмаларда модель өнімділігі мен оқыту тиімділігін арттыру үшін мұғалім мен оқушыны бірлесіп оқытатын жаңа өзіндік дистилляция әдісі.
  9. AI шлюзі дегеніміз не? LLM және агент трафигін маршруттау, шығындарды бақылау және басқару бойынша нұсқаулықAI шлюзі — қосымшаларыңыз немесе AI агенттеріңіз бен олар шақыратын модельдер арасындағы орталық прокси; ол маршруттауды, шығындарды бақылауды, қауіпсіздікті және бақыланымдылықты бір жерде қамтамасыз етеді.
  10. Perplexity Valarian-мен бірге Computer-ді кәсіпорын инфрақұрылымына жеткізедіPerplexity және Valarian Computer-ді сезімтал деректер мен реттелетін жұмыс жүктемелеріне арналған бақылау құралдарымен бірге мекемелік инфрақұрылымға жеткізеді