Perplexity emuārs

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
Pētniecība2026. g. 21. okt.Labs skolotājs pielāgojas skolēna līmenimJauna pašdestilācijas metode, kas kopīgi apmāca skolotāju un skolēnu, lai uzlabotu modeļa veiktspēju un apmācības efektivitāti sarežģītos spriešanas un aģentu uzdevumos.
People working on laptops with the U.S. Capitol visible through a window at dusk.
Ziņas2026. g. 28. okt.Jaunā FedRAMP sertifikācija paplašina Perplexity izmantošanu valdības darbplūsmāsPateicoties jaunai FedRAMP sertifikācijai, federālās aģentūras ar Perplexity var meklēt reāllaika tīmeklī un saņemt atbildes ar atsaucēm.

Izceltie

  1. A white shield and keyhole on a translucent glass tile against a teal landscape.
    Idejas2026. g. 29. sept.Kā mēs inženierējam drošākus aģentusSlāņveida drošības pasākumi, neatkarīga uzraudzība un cilvēka uzraudzība Perplexity mākoņa, pārlūkprogrammas, lokālajos un galapunktu aģentos.
  2. Abstract glass panel with illuminated edges separating light and shadow against a dark background.
    Ziņas2026. g. 15. okt.Atveram SPACE — Computer pamatā esošās smilšu kastu platformas — pirmkoduPerplexity atver SPACE — Computer pamatā esošās smilšu kastu platformas — pirmkodu, lai palīdzētu izstrādātājiem veidot drošākus autonomus MI aģentus
  3. Two people working at separate desks in a dimly lit office.
    Izstrādātāji2026. g. 28. sept.Agent API tagad atbalsta atkārtoti lietojamus aģentusKomandas izveido atkārtoti lietojamus aģentus ar versionētiem Profiles, Skill un pārvaldītiem savienotājs, ko var kopīgot starp lietojumprogrammām.

Vairāk no Perplexity pētniecības komandas

  1. SPACE apiešana: I daļaSarkanā komandas pārbaude VM izolācijai un tīkla ierobežošanai AI aģentiem.
  2. Kopīgu darbvietu veidošana cilvēkiem un aģentiemKā Perplexity projekti nodrošina ilgstoša darba noturību, vienlaicīgumu un izsekojamību.
  3. Multimodālas iegulšanas ārpus viena vektoraJauna vēlās mijiedarbības modeļu saime teksta un attēlu meklēšanai ar kopīgu iegulšanas telpu visos modeļu izmēros.
Visi pētījumi

Nesen publicēts

Atrasts 211 ierakstu

  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. Jaunā FedRAMP sertifikācija paplašina Perplexity izmantošanu valdības darbplūsmāsPateicoties jaunai FedRAMP sertifikācijai, federālās aģentūras ar Perplexity var meklēt reāllaika tīmeklī un saņemt atbildes ar atsaucēm.
  3. Vienkārša RAG ieviešana: pamācība soli pa solimŠajā iesācējiem draudzīgajā pamācībā ir paskaidrots, kā darbojas vienkārša RAG ieviešana, apskatīta labākā prakse un soli pa solim parādīts, kā izveidot funkcionējošu komandrindas RAG sistēmu ar Python, ChromaDB un Perplexity iegulumu un valodas modeļiem.
  4. Kā darbojas LLM vārteja? Praktisks ceļvedis inženieru komandāmLLM vārteja ir reversais starpniekserveris, kas maršrutē, autentificē, saglabā kešatmiņā un reģistrē jūsu modeļu izsaukumus; šajā ceļvedī izsekots pieprasījuma ceļš caur vārteju, aplūkoti drošības un uzticamības riski, kas jāņem vērā, un salīdzinātas iespējas — izveidot savu risinājumu vai izmantot pašmitinātu, pārvaldītu vai API vārtejas risinājumu.
  5. Kas ir RAG arhitektūra? Pilna definīcija ar detalizētiem praktiskiem piemēriemRAG arhitektūra ir komponentu kopums, kas glabā, izgūst un nodod LLM ārēju informāciju; šajā rokasgrāmatā aplūkoti 10 veidi — no pamata un hibrīdās RAG līdz aģentiskajai RAG un GraphRAG — ar diviem soli pa solim izklāstītiem piemēriem.
  6. Kā novērtēt MI aģentus: testu kopas, vērtētāji un regresijas pārbaudesPraktisks sešu soļu ceļvedis MI aģentu novērtēšanai — no veiksmes kritēriju definēšanas un testu kopu izveides, balstoties uz reālām kļūmēm, līdz vērtētāju izvēlei, regresijas pārbaužu veikšanai un uzraudzībai ražošanas vidē.
  7. Kā izsekot un kontrolēt komandas tokenu patēriņuKā komandas var redzēt savu tokenu lietojumu informācijas paneļos un pārskatos, kuri MI darba veidi izmanto visvairāk tokenu un kā to samazināt, izmantojot kontroles līdzekļus.
  8. Labs skolotājs pielāgojas skolēna līmenimJauna pašdestilācijas metode, kas kopīgi apmāca skolotāju un skolēnu, lai uzlabotu modeļa veiktspēju un apmācības efektivitāti sarežģītos spriešanas un aģentu uzdevumos.
  9. Kas ir MI vārteja? Ceļvedis LLM un aģentu datplūsmas maršrutēšanā, izmaksu kontrolē un pārvaldībāMI vārteja ir centrāls starpniekserveris starp jūsu lietojumprogrammām vai MI aģentiem un to izsauktajiem modeļiem, kas vienuviet nodrošina maršrutēšanu, izmaksu kontroli, drošību un novērojamību.
  10. Perplexity sadarbībā ar Valarian ievieš Computer uzņēmumu infrastruktūrāPerplexity un Valarian ievieš Computer iestāžu infrastruktūrā ar kontroles mehānismiem sensitīviem datiem un regulētām darba slodzēm