പുതിയ സെർച്ച് അരീന വിലയിരുത്തലിൽ Perplexity Sonar ആധിപത്യം പുലർത്തുന്നു

കമ്പനി #1 റാങ്ക്: മാനുഷിക മുൻഗണനകളെ അടിസ്ഥാനമാക്കി സെർച്ച്-ഓഗ്മെന്റഡ് എൽഎൽഎം സിസ്റ്റങ്ങളെ താരതമ്യം ചെയ്യുന്ന Sonar-Reasoning-Pro-High, Google-ന്റെ Gemini-2.5-Pro-Grounding (1142 +14/-17)-നൊപ്പം ഒന്നാം സ്ഥാനത്ത് ഗൂഗിളിന്റെ ജെമിനിയുമായി ഒപ്പത്തിനൊപ്പം നിൽക്കുന്ന 1136 (±21/−19) അരീന സ്കോർ നേടി. നേരിട്ടുള്ള മത്സരങ്ങളിൽ, Sonar-Reasoning-Pro-High 53% സമയത്തും Gemini-2.5-Pro-Grounding-നെ പരാജയപ്പെടുത്തി.
Sonar ആധിപത്യം: Perplexity മോഡലുകൾ 1 മുതൽ 4 വരെയുള്ള റാങ്കുകൾ കരസ്ഥമാക്കി, Google-ൽ നിന്നും OpenAI-യിൽ നിന്നും വിലയിരുത്തിയ മറ്റ് മോഡലുകളെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചു.
റീസണിംഗ് പ്രയോജനം: റീസണിംഗ് കഴിവുകൾ ഉൾക്കൊള്ളുന്ന മോഡലുകൾ (sonar-reasoning-pro, sonar-reasoning) ഉയർന്ന റാങ്ക് നേടി, ഇത് റീസണിംഗ് മോഡലുകൾക്കായി നിരീക്ഷിക്കപ്പെട്ട പൊതുവായ ഉപയോക്തൃ മുൻഗണനയുമായി പൊരുത്തപ്പെടുന്നു (ലീഡർബോർഡിൽ ആദ്യ 3-ൽ).
തിരയലിന്റെ ആഴം: Sonar മോഡലുകൾ ആഴത്തിലുള്ള തിരയൽ നടത്തുകയും കൂടുതൽ ഉറവിടങ്ങൾ പരിഗണിക്കുകയും ചെയ്യുന്നു, ശരാശരി തുല്യമായ ജെമിനി മോഡലുകളേക്കാൾ 2-3 മടങ്ങ് കൂടുതൽ ഉറവിടങ്ങൾ ഉദ്ധരിക്കുന്നു.

______

മാനുഷിക മുൻഗണനകളെ അടിസ്ഥാനമാക്കി സെർച്ച്-ഓഗ്മെന്റഡ് എൽഎൽഎം സിസ്റ്റങ്ങളെ താരതമ്യം ചെയ്യുന്ന പുതിയ സെർച്ച് അരീന ലീഡർബോർഡ് LM Arena ഇപ്പോൾ പുറത്തിറക്കി. Perplexity-യുടെ Sonar-Reasoning-Pro മോഡൽ Gemini-2.5-Pro-Grounding-നൊപ്പം ഒന്നാം സ്ഥാനം പങ്കിട്ടു, മറ്റ് Sonar മോഡലുകൾ Gemini-2.0-Flash-Grounding-നെയും OpenAI-യുടെ എല്ലാ വെബ് സെർച്ച് മോഡലുകളെയും മറികടക്കുകയും ചെയ്തു.

സിമ്പിൾക്യുഎയുടെ (SimpleQA) വസ്തുതാപരമായ കൃത്യതയിലുള്ള ഇടുങ്ങിയ ശ്രദ്ധയിൽ നിന്ന് വ്യത്യസ്തമായി, കോഡിംഗ്, എഴുത്ത്, ഗവേഷണം, ശുപാർശകൾ എന്നിവയിലുടനീളമുള്ള യഥാർത്ഥ ഉപയോക്തൃ അന്വേഷണങ്ങളിൽ മോഡലുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് LM Arena വിലയിരുത്തുന്നു. സെർച്ച് അരീനയിലൂടെ, വിലയിരുത്തൽ സമകാലിക സംഭവങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുകയും ദൈർഘ്യമേറിയതും കൂടുതൽ സങ്കീർണ്ണവുമായ പ്രോംപ്റ്റുകൾ ഉൾപ്പെടുത്തുകയും ചെയ്യുന്നു, കൂടാതെ 11 മോഡലുകളിലായി 10,000-ത്തിലധികം മാനുഷിക മുൻഗണനാ വോട്ടുകൾ ശേഖരിക്കുകയും ചെയ്യുന്നു. 2025 മാർച്ച് 18 നും ഏപ്രിൽ 13 നും ഇടയിൽ, ഉപയോക്താക്കൾ അവരുടെ വിവര ആവശ്യങ്ങൾ ഏത് മോഡൽ പ്രതികരണമാണ് നന്നായി തൃപ്തിപ്പെടുത്തിയത് എന്ന് പ്രോംപ്റ്റ് ചെയ്യാനും തിരഞ്ഞെടുക്കാനും സെർച്ച് അരീന ആവശ്യപ്പെട്ടു.

ജെമിനി 2.0 ഫ്ലാഷ്, ജിപിടി 4ഒ സെർച്ച് ഉൾപ്പെടെയുള്ള മികച്ച ആധുനിക മോഡലുകളിൽ പലതിനെയും Perplexity-യുടെ Sonar മോഡലുകൾ മറികടന്നു. ഞങ്ങളുടെ Sonar-Reasoning-Pro മോഡൽ 1136 സ്കോർ നേടി, ജെമിനി-2.5-പ്രോ-ഗ്രൗണ്ടിംഗ് (1142)-നൊപ്പം ഒന്നാം സ്ഥാനത്ത് സ്ഥിതിവിവരക്കണക്കുകൾ പ്രകാരം തുല്യത പാലിച്ചു.

നേരിട്ടുള്ള മത്സരങ്ങളിൽ, Sonar-Reasoning-Pro-High 53% സമയത്തും Gemini-2.5-Pro-Grounding-നെ പരാജയപ്പെടുത്തി.

മാനുഷിക മുൻഗണനയുമായി ശക്തമായി ബന്ധപ്പെട്ടിരിക്കുന്ന മൂന്ന് ഘടകങ്ങൾ സെർച്ച് അരീനയുടെ വിലയിരുത്തൽ വെളിപ്പെടുത്തി:

ദൈർഘ്യമേറിയ പ്രതികരണങ്ങൾ (coeff 0.255, p<0.05)
ഉയർന്ന ഉദ്ധരണി എണ്ണം (coeff 0.234, p<0.05)
കമ്മ്യൂണിറ്റി വെബ് ഉറവിടങ്ങളിൽ നിന്നുള്ള ഉദ്ധരണികൾ

റീസണിംഗ് മെച്ചപ്പെടുത്തിയ മോഡലുകളോടുള്ള വ്യക്തമായ ഉപയോക്തൃ മുൻഗണന ലീഡർബോർഡ് കാണിച്ചു, Sonar-Reasoning-Pro, Sonar-Reasoning എന്നിവ മികച്ച മൂന്ന് സ്ഥാനങ്ങളിൽ രണ്ട് സ്ഥാനങ്ങൾ നേടി. കൺട്രോൾ പരീക്ഷണങ്ങൾ ഈ കണ്ടെത്തലുകളെ ശക്തിപ്പെടുത്തി, ഉദ്ധരണികൾ നിയന്ത്രിക്കുന്നത് മോഡൽ റാങ്കിംഗുകൾ ഒരേപോലെയെത്താൻ കാരണമാകുന്നുവെന്ന് കാണിക്കുന്നു, ഇത് തിരയൽ ആഴം (search depth) ഒരു പ്രധാന പ്രകടന വ്യത്യാസമാണെന്ന് സൂചിപ്പിക്കുന്നു.

Perplexity-യുടെ Sonar മോഡലുകൾക്ക് ഗണ്യമായി ഉയർന്ന തിരയൽ ആഴമുണ്ടായിരുന്നു, തുല്യമായ ജെമിനി മോഡലുകളേക്കാൾ 2-3 മടങ്ങ് കൂടുതൽ ഉറവിടങ്ങൾ ppl-sonar-pro-high ഉദ്ധരിച്ചു.

Perplexity ഉപയോക്താക്കളെ സംബന്ധിച്ചിടത്തോളം, Sonar മോഡലുകൾ മികച്ച ക്ലാസ് കൃത്യതയും സമഗ്രമായ ഉറവിട ആട്രിബ്യൂഷനും വിപുലമായ വിഷയങ്ങളിൽ ഉയർന്ന মানের പ്രതികരണങ്ങളും നൽകുന്നുവെന്ന് ഈ ഫലങ്ങൾ സ്ഥിരീകരിക്കുന്നു.

ക്രമീകരണങ്ങളിൽ (settings) Sonar നിങ്ങളുടെ സ്ഥിരസ്ഥിതി മോഡലായി സജ്ജീകരിച്ചുകൊണ്ട് Perplexity Pro ഉപയോക്താക്കൾക്ക് ഈ മികച്ച പ്രകടനമുള്ള മോഡലുകളിൽ നിന്ന് പ്രയോജനം നേടുന്നത് തുടരാം. പ്രകടനവും ചെലവ് കാര്യക്ഷമതയും തമ്മിൽ തുലനം ചെയ്യുന്നതിനായി ഫ്ലെക്സിബിൾ സെർച്ച് മോഡുകളുള്ള ഞങ്ങളുടെ Sonar API ഓഫറുകൾ വഴി API ഉപയോക്താക്കൾക്ക് ഈ കഴിവുകൾ ആക്സസ് ചെയ്യാൻ കഴിയും

ഈ നേട്ടത്തിൽ ഞങ്ങൾ അഭിമാനിക്കുമ്പോൾ, തുടർച്ചയായ പുരോഗതിയിൽ ഞങ്ങൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഞങ്ങളുടെ തുടർന്നുള്ള വികസന ശ്രമങ്ങളെ അറിയിക്കുന്ന ഉപയോക്തൃ മുൻഗണനകളെക്കുറിച്ചുള്ള വിലയേറിയ ഉൾക്കാഴ്ചകൾ സെർച്ച് അരീന വിലയിരുത്തൽ നൽകുന്നു.

ഏപ്രിൽ 24-ന് രാവിലെ 11-ന് PT-യിൽ ഞങ്ങളുടെ API-യെക്കുറിച്ചുള്ള ഒരു അവലോകനത്തിനായി Perplexity സഹസ്ഥാപകനും CTO-യുമായ Denis Yarats-നൊപ്പം ചേരൂ. Denis Perplexity-യുടെ API-കളുടെ ഒരു അവലോകനം നൽകുകയും ബെഞ്ച്മാർക്ക് ഫലങ്ങളും API ഉപയോഗ കേസുകളും പങ്കിടുകയും ചെയ്യും.

ഇവിടെ രജിസ്റ്റർ ചെയ്യുക.

Sonar ഉപയോഗിച്ച് തുടങ്ങൂ.

ചുരുക്കത്തിൽ

സെർച്ച് അരീന ബെഞ്ച്മാർക്കിംഗ്

Sonar മോഡൽ പ്രകടന ഫലങ്ങൾ

ഇത് ഉപയോക്താക്കൾക്ക് എന്താണ് അർത്ഥമാക്കുന്നത്

Sonar-ലേക്കുള്ള ആമുഖം