ಹೊಸ ಹುಡುಕಾಟ ಅರೇನಾ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ Perplexity Sonar ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದೆ

ಟಿಎಲ್;ಡಿಆರ್

• ಕೋ #1 ಶ್ರೇಣಿ: Sonar-Reasoning-Pro-High Google's Gemini-2.5-Pro-Grounding (1142 +14/-17) ಜೊತೆಗೆ ಮೊದಲ ಸ್ಥಾನಕ್ಕಾಗಿ ಸಾಂಖ್ಯಿಕವಾಗಿ ಸಮನಾಗಿ, 1136 ರ ಅರೇನಾ ಸ್ಕೋರ್ ಅನ್ನು (±21/−19) ಸಾಧಿಸಿದೆ. ನೇರ ಮುಖಾಮುಖಿ ಹೋರಾಟಗಳಲ್ಲಿ, Sonar-Reasoning-Pro-High 53% ರಷ್ಟು ಸಮಯ Gemini-2.5-Pro-Grounding ಅನ್ನು ಸೋಲಿಸಿತು.
• Sonar ಪ್ರಾಬಲ್ಯ: Perplexity ಮಾದರಿಗಳು 1 ರಿಂದ 4 ನೇ ಶ್ರೇಣಿಯನ್ನು ಪಡೆದುಕೊಂಡಿವೆ, Google ಮತ್ತು OpenAI ನ ಇತರ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ಮಾದರಿಗಳಿಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ.
• ತಾರ್ಕಿಕ ಪ್ರಯೋಜನ: ತಾರ್ಕಿಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಮಾದರಿಗಳು (sonar-reasoning-pro ಮತ್ತು sonar-reasoning) ಹೆಚ್ಚಿನ ಸ್ಥಾನ ಪಡೆದಿವೆ, ಇದು ತಾರ್ಕಿಕ ಮಾದರಿಗಳಿಗೆ ಗಮನಿಸಿದ ಸಾಮಾನ್ಯ ಬಳಕೆದಾರರ ಆದ್ಯತೆಯೊಂದಿಗೆ (ಲೀಡರ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಅಗ್ರ 3) ಹೊಂದಾಣಿಕೆಯಾಗುತ್ತದೆ.
• ಹುಡುಕಾಟದ ಆಳ: Sonar ಮಾದರಿಗಳು ಆಳವಾದ ಹುಡುಕಾಟವನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಮೂಲಗಳನ್ನು ಪರಿಗಣಿಸುತ್ತವೆ, ಸರಾಸರಿಯಾಗಿ ಹೋಲಿಸಬಹುದಾದ Gemini ಮಾದರಿಗಳಿಗಿಂತ 2-3 ಪಟ್ಟು ಹೆಚ್ಚು ಮೂಲಗಳನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತವೆ.

______

ಮಾನವ ಆದ್ಯತೆಯ ಆಧಾರದ ಮೇಲೆ ಹುಡುಕಾಟ-ವರ್ಧಿತ LLM ವ್ಯವಸ್ಥೆಗಳನ್ನು ಹೋಲಿಸುವ ಹೊಸ ಹುಡುಕಾಟ ಅರೇನಾ ಲೀಡರ್‌ಬೋರ್ಡ್‌ ಅನ್ನು LM ಅರೇನಾ সবেমাত্র ಬಿಡುಗಡೆ ಮಾಡಿದೆ. Perplexity ನ Sonar-Reasoning-Pro ಮಾದರಿಯು Gemini-2.5-Pro-Grounding ನೊಂದಿಗೆ ಮೊದಲ ಸ್ಥಾನವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ ಮತ್ತು ಉಳಿದ Sonar ಮಾದರಿಗಳು Gemini-2.0-Flash-Grounding ಹಾಗೂ OpenAI ನ ಎಲ್ಲಾ ವೆಬ್ ಹುಡುಕಾಟ ಮಾದರಿಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ.

ವಿಸ್ತರಿಸಿ

ಹುಡುಕಾಟ ಅರೇನಾ ಬೆಂಚ್‌ಮಾರ್ಕಿಂಗ್

ಸಂಕೀರ್ಣವಲ್ಲದ ಸತ್ಯದ ನಿಖರತೆಯ ಮೇಲೆ SimpleQA ಗಮನಹರಿಸುವುದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕೋಡಿಂಗ್, ಬರವಣಿಗೆ, ಸಂಶೋಧನೆ ಮತ್ತು ಶಿಫಾರಸುಗಳಾದ್ಯಂತ ನೈಜ ಬಳಕೆದಾರರ ಪ್ರಶ್ನೆಗಳ ಮೇಲೆ ಮಾದರಿಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು LM ಅರೇನಾ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಹುಡುಕಾಟ ಅರೇನಾದೊಂದಿಗೆ, ಪ್ರಸ್ತುತ ವಿದ್ಯಮಾನಗಳ ಮೇಲೆ ಮೌಲ್ಯಮಾಪನವು ಕೇಂದ್ರೀಕೃತವಾಗಿರುತ್ತದೆ ಮತ್ತು ಉದ್ದವಾದ, ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು 11 ಮಾದರಿಗಳಲ್ಲಿ 10,000 ಕ್ಕೂ ಹೆಚ್ಚು ಮಾನವ ಆದ್ಯತೆಯ ಮತಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಮಾರ್ಚ್ 18 ಮತ್ತು ಏಪ್ರಿಲ್ 13, 2025 ರ ನಡುವೆ, ಯಾವ ಮಾದರಿಯ ಪ್ರತಿಕ್ರಿಯೆಯು ತಮ್ಮ ಮಾಹಿತಿಯ ಅಗತ್ಯಗಳನ್ನು ಉತ್ತಮವಾಗಿ ಪೂರೈಸುತ್ತದೆ ಎಂಬುದನ್ನು ಪ್ರಾಂಪ್ಟ್ ಮಾಡಲು ಮತ್ತು ಆಯ್ಕೆ ಮಾಡಲು ಹುಡುಕಾಟ ಅರೇನಾ ಬಳಕೆದಾರರನ್ನು ಕೇಳಿತು.

Sonar ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ಫಲಿತಾಂಶಗಳು

Gemini 2.0 Flash ಮತ್ತು GPT 4o Search ಸೇರಿದಂತೆ ಅನೇಕ ಅತ್ಯುನ್ನತ ಅತ್ಯಾಧುನಿಕ ಮಾದರಿಗಳಿಗಿಂತ Perplexity ನ Sonar ಮಾದರಿಗಳು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿವೆ. ನಮ್ಮ Sonar-Reasoning-Pro ಮಾದರಿಯು 1136 ರ ಸ್ಕೋರ್ ಅನ್ನು ಸಾಧಿಸಿದೆ, ಇದು ಉನ್ನತ ಸ್ಥಾನದಲ್ಲಿ Gemini-2.5-Pro-Grounding (1142) ನೊಂದಿಗೆ ಸಾಂಖ್ಯಿಕವಾಗಿ ಸಮನಾಗಿದೆ.

ವಿಸ್ತರಿಸಿ

ಹುಡುಕಾಟ ಅರೇನಾದ ಮೌಲ್ಯಮಾಪನವು ಮಾನವನ ಆದ್ಯತೆಯೊಂದಿಗೆ ಬಲವಾಗಿ ಸಂಬಂಧ ಹೊಂದಿರುವ ಮೂರು ಅಂಶಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಿದೆ:

• ಉದ್ದವಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳು (ಗುಣಾಂಕ 0.255, p<0.05)
• ಹೆಚ್ಚಿನ ಉಲ್ಲೇಖ ಎಣಿಕೆಗಳು (ಗುಣಾಂಕ 0.234, p<0.05)
• ಸಮುದಾಯ ವೆಬ್ ಮೂಲಗಳಿಂದ ಉಲ್ಲೇಖಗಳು

ಲೀಡರ್‌ಬೋರ್ಡ್ ತಾರ್ಕಿಕ-ವರ್ಧಿತ ಮಾದರಿಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಬಳಕೆದಾರರ ಆದ್ಯತೆಯನ್ನು ತೋರಿಸಿದೆ, Sonar-Reasoning-Pro ಮತ್ತು Sonar-Reasoning ಉನ್ನತ ಮೂರು ಸ್ಥಾನಗಳಲ್ಲಿ ಎರಡನ್ನು ಪಡೆದುಕೊಂಡಿವೆ. ನಿಯಂತ್ರಣ ಪ್ರಯೋಗಗಳು ಈ ಸಂಶೋಧನೆಗಳನ್ನು ಬಲಪಡಿಸಿದವು, ಉಲ್ಲೇಖಗಳನ್ನು ನಿಯಂತ್ರಿಸುವುದರಿಂದ ಮಾದರಿ ಶ್ರೇಣಿಗಳು ಒಮ್ಮುಖವಾಗಲು ಕಾರಣವಾಗುತ್ತವೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಇದು ಹುಡುಕಾಟದ ಆಳವು ಗಮನಾರ್ಹ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

ಬಳಕೆದಾರರಿಗೆ ಇದರರ್ಥ ಏನು

Perplexity ಬಳಕೆದಾರರಿಗಾಗಿ, Sonar ಮಾದರಿಗಳು ಅತ್ಯುತ್ತಮ ವರ್ಗದ ನಿಖರತೆ, ಸಮಗ್ರ ಮೂಲ ಗುಣಲಕ್ಷಣ ಮತ್ತು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ವಿಷಯಗಳಾದ್ಯಂತ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ ಎಂದು ಈ ಫಲಿತಾಂಶಗಳು ಖಚಿತಪಡಿಸುತ್ತವೆ.

Perplexity Pro ಬಳಕೆದಾರರು settings ನಲ್ಲಿ Sonar ಅನ್ನು ತಮ್ಮ ಡೀಫಾಲ್ಟ್ ಮಾದರಿಯಾಗಿ ಹೊಂದಿಸುವ ಮೂಲಕ ಈ ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾದರಿಗಳಿಂದ ಲಾಭ ಪಡೆಯುವುದನ್ನು ಮುಂದುವರಿಸಬಹುದು. ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ವೆಚ್ಚದ ದಕ್ಷತೆಯನ್ನು ಸಮತೋಲನಗೊಳಿಸಲು ಹೊಂದಿಕೊಳ್ಳುವ ಹುಡುಕಾಟ ವಿಧಾನಗಳೊಂದಿಗೆ ನಮ್ಮ Sonar API ಕೊಡುಗೆಗಳ ಮೂಲಕ API ಬಳಕೆದಾರರು ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪ್ರವೇಶಿಸಬಹುದು

ಈ ಸಾಧನೆಯ ಬಗ್ಗೆ ನಮಗೆ ಹೆಮ್ಮೆಯಿದ್ದರೂ, ನಿರಂತರ ಸುಧಾರಣೆಯ ಮೇಲೆ ನಾವು ಗಮನಹರಿಸಿದ್ದೇವೆ. ಹುಡುಕಾಟ ಅರೇನಾ ಮೌಲ್ಯಮಾಪನವು ಬಳಕೆದಾರರ ಆದ್ಯತೆಗಳ ಕುರಿತು ಮೌಲ್ಯಯುತವಾದ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಅದು ನಮ್ಮ ನಡೆಯುತ್ತಿರುವ ಅಭಿವೃದ್ಧಿ ಪ್ರಯತ್ನಗಳಿಗೆ ತಿಳಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

Sonar ಪರಿಚಯ

ಏಪ್ರಿಲ್ 24 ರಂದು ಬೆಳಿಗ್ಗೆ 11 ಗಂಟೆಗೆ PT ಗೆ ನಮ್ಮ API ನ ಅವಲೋಕನಕ್ಕಾಗಿ Perplexity ಸಹ-ಸ್ಥಾಪಕ & CTO, Denis Yarats ಅವರೊಂದಿಗೆ ಸೇರಿಕೊಳ್ಳಿ. Denis ಅವರು Perplexity ನ API ಗಳ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತಾರೆ, ಬೆಂಚ್‌ಮಾರ್ಕ್ ಫಲಿತಾಂಶಗಳನ್ನು ಮತ್ತು API ಬಳಕೆಯ ಪ್ರಕರಣಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ.

ಇಲ್ಲಿ ನೋಂದಾಯಿಸಿ.

Sonar ನೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ.