Decisions API-ക്കുള്ള വെബ് ഗ്രൗണ്ടിംഗ്

AI ഡിസിഷൻ മോഡലുകൾ വേഗതയേറിയതും ചെലവ് കുറഞ്ഞതുമാണ്, എന്നാൽ ഉപയോക്താക്കൾ അയയ്ക്കുന്നതും പരിശീലനത്തിൽ പഠിച്ചതും മാത്രമേ അവയ്ക്ക് അറിയൂ. ഒരാൾ ഇപ്പോഴും ഒരു കമ്പനിയുടെ CEO ആണോ, ഒരു ഉൽപ്പന്നത്തിന് പുതിയ റിലീസ് ഉണ്ടോ എന്നിങ്ങനെ മാറിക്കൊണ്ടിരിക്കുന്ന വസ്തുതകളെക്കുറിച്ചുള്ള ചോദ്യങ്ങൾക്ക് കൃത്യമായി ഉത്തരം നൽകാൻ മോഡലിന് ഏറ്റവും പുതിയ വിവരങ്ങൾ ആവശ്യമാണ്.

ഇന്ന് മുതൽ, Perplexity-യുടെ Decisions API-ക്ക് ഉത്തരം നൽകുന്നതിന് മുമ്പ് വെബിൽ തിരയാനാകും.

"mode": "web_grounding" എന്ന ഒരൊറ്റ ക്രമീകരണം ഏത് Decisions API അഭ്യർത്ഥനയിലും ചേർക്കുക, Perplexity Fast Search ഓരോ ചോദ്യത്തിനും ഓരോ ക്വറി പ്രവർത്തിപ്പിക്കും. ഫലങ്ങൾ തെളിവായി നിങ്ങളുടെ state-ലേക്ക് ചേർക്കപ്പെടുന്നു, അതിനാൽ ഇപ്പോൾ വെബിലുള്ള വിവരങ്ങളുടെ അടിസ്ഥാനത്തിലുള്ള സംഭാവ്യതകൾ ഡിസിഷൻ മോഡൽ നൽകുന്നു. ഒരു വെബ് പേജിന്റെ ടെക്സ്റ്റ് നൽകുന്നതിന് പകരം മോഡലിനെ ആ നിർദ്ദിഷ്ട പേജിലേക്ക് നയിക്കാൻ state ഒരു URL ആയും നൽകാം.

നിലവിലെ വെബ് വസ്തുതകളെ ആശ്രയിക്കുന്ന 100 ചോദ്യങ്ങളുള്ള ഒരു പൊതു ബെഞ്ച്മാർക്കായ PWS-Decisions-ൽ, സാധാരണ പ്രതികരണങ്ങൾ 400 ms-ൽ താഴെ സമയത്തിനുള്ളിൽ ലഭിക്കുന്നതോടൊപ്പം കൃത്യത 51%-ൽ നിന്ന് 86%-ലേക്ക് ഉയർന്നു.

ഒരു ഡിസിഷൻ മോഡൽ ഓരോ ചോദ്യത്തിനും ഉത്തരമായി ഒരു സംഖ്യ നൽകുന്നു. ഉപയോക്താക്കൾ ഒന്നോ അതിലധികമോ ചോദ്യങ്ങൾക്കൊപ്പം ഉള്ളടക്കം state ആയി (ടെക്സ്റ്റ്, JSON, അല്ലെങ്കിൽ ചിത്രങ്ങൾ) അയയ്ക്കുന്നു. ഒരു noul ചോദ്യത്തിന് (അതെ അല്ലെങ്കിൽ ഇല്ല), ഫലം 'അതെ' എന്നതിനുള്ള സംഭാവ്യതയാണ്. ഒരു choice ചോദ്യത്തിന്, ഉപയോക്താവ് നിർവചിക്കുന്ന ഓരോ ഓപ്ഷനുമുള്ള സംഭാവ്യതയാണ് ഫലം. ഒരു score ചോദ്യത്തിന്, നിങ്ങളുടെ റൂബ്രിക്കിലെ ഓരോ ലെവലിനുമുള്ള സംഭാവ്യതയും പ്രതീക്ഷിക്കുന്ന സ്കോറുമാണ് ഫലം.

മോഡലിന് രണ്ട് വിവര ഉറവിടങ്ങളുണ്ട്: ഉപയോക്താവ് അയയ്ക്കുന്ന state-ഉം പരിശീലനത്തിൽ അത് പഠിച്ചതും. "ഈ റിവ്യൂ ഒരു തകരാർ റിപ്പോർട്ട് ചെയ്യുന്നുണ്ടോ?" പോലുള്ള ഒരു ചോദ്യത്തിന് അത് മതിയാകും. "ഈ വ്യക്തി ഇപ്പോഴും CEO ആണോ?" എന്നതിന് ഉത്തരം നൽകാൻ അത് മതിയാകില്ല. പരിശീലനത്തിന് ശേഷം ഉത്തരം മാറിയിരിക്കാം, state-ൽ അതിനെക്കുറിച്ച് ഒന്നും പറയുന്നുമില്ല. വെബ് ഗ്രൗണ്ടിംഗ് മൂന്നാമതൊരു ഉറവിടം ചേർക്കുന്നു: അഭ്യർത്ഥനയുടെ സമയത്ത് തിരയുന്ന വെബ്. state ഒരു URL ആയും നൽകാം, അതിനാൽ ഉപയോക്താവിന് ടെക്സ്റ്റിന് പകരം ഒരു വെബ് പേജിലേക്ക് മോഡലിനെ നയിക്കാനാകും.

മോഡൽ കോളിന് മുമ്പ് API ഗേറ്റ്‌വേയിലാണ് ഗ്രൗണ്ടിംഗ് പ്രവർത്തിക്കുന്നത്. ഒരു അഭ്യർത്ഥനയിലെ ഓരോ ചോദ്യത്തിനും ഗേറ്റ്‌വേ ഒരു Fast Search ക്വറി തയ്യാറാക്കുന്നു. ഈ ക്വറികൾ സമാന്തരമായി പ്രവർത്തിക്കുന്നു. ഗേറ്റ്‌വേ ഫലങ്ങൾ സംയോജിപ്പിക്കുകയും ആവർത്തിക്കുന്ന URL-കൾ ഒഴിവാക്കുകയും തെളിവുകൾ state-ലേക്ക് ചേർക്കുകയും ചെയ്യുന്നു: തലക്കെട്ട്, URL, പേജിലെ ടെക്സ്റ്റ്. state ഒരു URL ആണെങ്കിൽ, സെർച്ച് ക്വറിയിൽ ആ URL ഉൾപ്പെടുത്തുന്നു; അതിനാൽ ആ പേജ് തന്നെ തെളിവായി തിരികെ ലഭിക്കുകയും മോഡൽ അതിലെ ടെക്സ്റ്റിൽ നിന്ന് ഉത്തരം നൽകുകയും ചെയ്യുന്നു. മറ്റേതൊരു Decisions API അഭ്യർത്ഥനയ്ക്കും എന്നപോലെ മോഡൽ സാധ്യതകൾ നൽകുന്നു. ഒരു സെർച്ച് പരാജയപ്പെടുകയോ സമയപരിധി കഴിയുകയോ ചെയ്താൽ, തിരികെ ലഭിച്ച തെളിവുകൾ ഉപയോഗിച്ച് മോഡൽ ഉത്തരം നൽകുന്നു. മോഡൽ എന്താണ് കണ്ടതെന്ന് ഉപയോക്താവിന് കാണാൻ കഴിയുന്നതിനായി പ്രതികരണത്തിൽ search_results ഉൾപ്പെടുത്തുന്നു. ഉപയോക്താവിന്റെ അഭ്യർത്ഥനയും പ്രതികരണത്തിന്റെ ഘടനയും മാറ്റമില്ലാതെ തുടരുന്നു. മാറുന്നത് ഉത്തരം നൽകുമ്പോൾ മോഡലിന്റെ പക്കലുള്ള തെളിവുകളാണ്.

ശരിയോ തെറ്റോ എന്ന് വിലയിരുത്തേണ്ട 328 അവകാശവാദങ്ങൾ ഞങ്ങൾ ഒരേ ഡിസിഷൻ മോഡലിലേക്ക് രണ്ടുതവണ അയച്ചു, ഒരിക്കൽ വെബ് ഗ്രൗണ്ടിംഗോടെയും ഒരിക്കൽ അതില്ലാതെയും. അവകാശവാദങ്ങൾ 2026 ഒക്ടോബറിലെ വാർത്തകളും Wikipedia-യിൽ നിന്നുള്ള അപൂർവ വസ്തുതകളുമായി വിഭജിച്ചിരുന്നു, കൂടാതെ ഓരോ ശരിയായ അവകാശവാദത്തിനും ഒരു വിശദാംശത്തിൽ മാത്രം വ്യത്യാസമുള്ള ഒരു തെറ്റായ ഇരട്ട ഉണ്ടായിരുന്നു. state-ൽ തെളിവുകളൊന്നും നൽകിയിരുന്നില്ല.

വെബ് ഗ്രൗണ്ടിംഗ് ഇല്ലാതെ, Decisions API 56.4 ശതമാനം അവകാശവാദങ്ങൾക്ക് ശരിയായി ഉത്തരം നൽകി, ഇത് ഊഹിക്കുന്നതിന് ഏകദേശം തുല്യമാണ്. വെബ് ഗ്രൗണ്ടിംഗ് ഉപയോഗിച്ചപ്പോൾ, ഇത് 97.3% ശരിയായി ഉത്തരം നൽകി, പിശകുകൾ 143-ൽ നിന്ന് 9 ആയി കുറച്ചു. ഇതിന് വിലയായി നൽകേണ്ടത് വേഗതയാണ്: മീഡിയൻ ലേറ്റൻസി 139 ms-ൽ നിന്ന് 366 ms ആയും, 95-ാം പെർസന്റൈൽ ലേറ്റൻസി 514 ms-ൽ നിന്ന് 742 ms ആയും ഉയർന്നു.

അക്കൗണ്ട് യോഗ്യത, ഉൽപ്പന്ന ശേഷികൾ, പോളിസി നിയമങ്ങൾ, അതിവേഗം മാറുന്ന സംഭവങ്ങൾ എന്നിവയെക്കുറിച്ചുള്ള ക്ലോസ്ഡ്-എൻഡഡ് ചോദ്യങ്ങളുടെ ഒരു പൊതു ബെഞ്ച്മാർക്കാണ് PWS-Decisions. 100 ചോദ്യങ്ങൾ പൊതുവായി ലഭ്യമാണ്, ഒരു റഫറൻസ് ഉത്തരവുമായുള്ള കൃത്യമായ പൊരുത്തം അടിസ്ഥാനമാക്കിയാണ് അവയ്ക്ക് സ്കോർ നൽകുന്നത്. 2026 നവംബർ 4-ന് ഞങ്ങൾ ഈ ചോദ്യങ്ങൾ Decisions API + Web Grounding (pplx-decider-v1.2) ഉപയോഗിച്ച് പരീക്ഷിച്ചു, അത് 86 എണ്ണത്തിന് ശരിയായ ഉത്തരം നൽകി. താഴെയുള്ള മറ്റ് ഫലങ്ങൾ ബെഞ്ച്മാർക്ക് രചയിതാക്കൾ പ്രസിദ്ധീകരിച്ച ലീഡർബോർഡിൽ നിന്നുള്ളതാണ്. Web Grounding ഇല്ലാത്ത Decisions API-ക്ക് അവർ രേഖപ്പെടുത്തിയ 51% ഞങ്ങളുടെ സ്വന്തം പരീക്ഷണ ഫലവുമായി പൊരുത്തപ്പെടുന്നു.

100 പൊതു ചോദ്യങ്ങളിൽ ഞങ്ങളുടെ ക്ലയന്റിൽ നിന്ന് അളന്നപ്പോൾ, Decisions API + Web Grounding അഭ്യർത്ഥനകൾ മീഡിയനിൽ 370 ms-ലും 95-ാം പെർസെന്റൈലിൽ 685 ms-ലും പ്രതികരണം നൽകി. പൂർണ്ണമായ 300 ചോദ്യങ്ങളുടെ സെറ്റിൽ 2026 ഒക്ടോബർ 29-ന് അവരുടെ ക്ലയന്റിൽ നിന്ന് അളന്നപ്പോൾ, ബെഞ്ച്മാർക്ക് രചയിതാക്കൾ അവരുടെ API-ക്ക് 560 ms-ഉം 710 ms-ഉം റിപ്പോർട്ട് ചെയ്യുന്നു. പ്രസിദ്ധീകരിച്ച ലീഡർബോർഡുമായി താരതമ്യം ചെയ്യുമ്പോൾ, ഏറ്റവും ഉയർന്ന പൊതു സെറ്റ് കൃത്യതയും 400 ms-ൽ താഴെയുള്ള മീഡിയൻ പ്രതികരണവും Decisions API + Web Grounding-നാണ്.

ഡാറ്റയ്ക്ക് ഉത്തരം നൽകാനാകാത്ത ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ വെബ് ഗ്രൗണ്ടിംഗ് പ്രവർത്തനക്ഷമമാക്കുക: പരിശീലനത്തിന് ശേഷം വസ്തുതകൾ മാറുകയും വെബിൽ പുതിയ വിവരങ്ങൾ പ്രസിദ്ധീകരിക്കപ്പെടുകയും ചെയ്യുമ്പോൾ. ചില ഉദാഹരണങ്ങൾ:

സമീപകാല വാർത്തകളുടെ അടിസ്ഥാനത്തിൽ അക്കൗണ്ടുകളുടെ യോഗ്യത നിർണ്ണയിക്കുക. "കഴിഞ്ഞ 90 ദിവസത്തിനുള്ളിൽ ഫണ്ടിംഗ് സമാഹരിച്ചോ?" എന്ന് ഒരു മുഴുവൻ അക്കൗണ്ട് ലിസ്റ്റിലും പരിശോധിക്കുന്നു.
നിങ്ങൾ ആശ്രയിക്കുന്ന ടൂളുകൾ ട്രാക്ക് ചെയ്യുക. "ഞങ്ങൾ പിൻ ചെയ്ത പതിപ്പിനേക്കാൾ പുതിയ ഒരു സ്ഥിരതയുള്ള റിലീസ് ഉണ്ടോ?" എന്ന് ഒരു ഷെഡ്യൂൾ അനുസരിച്ച് അവലോകനം ചെയ്യുന്നു.
ഒരു ഏജന്റ് പ്രവർത്തിക്കുന്നതിന് മുമ്പ് സ്ഥിരീകരിക്കുക. "ഈ ഇവന്റ് ഇപ്പോഴും നടക്കുന്നുണ്ടോ?" എന്ന് ബുക്ക് ചെയ്യുന്നതിന് മുമ്പ് പരിശോധിക്കുന്നു.

ഓരോ ഉത്തരവും ഒരു ഡെവലപ്പറുടെ കോഡിന് അടിസ്ഥാനമാക്കി പ്രവർത്തിക്കാനാകുന്ന ഒരു സംഭാവ്യതയാണ്, അതിന് പിന്നിലുള്ള വെബ് ഉറവിടങ്ങൾ സഹിതം.

ഏതൊരു Decisions API അഭ്യർത്ഥനയിലും "mode": "web_grounding" ചേർക്കുക. state ഒരു അവകാശവാദമോ രേഖയോ പോലുള്ള ടെക്സ്റ്റോ, അല്ലെങ്കിൽ ഒരു URL-ഓ ആകാം.

ഒരു അവകാശവാദം വെബുമായി ഒത്തുനോക്കി പരിശോധിക്കുക:

bash

curl -X POST https://api.perplexity.ai/v1/decisions \
  -H "Authorization: Bearer $PERPLEXITY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "pplx-decider-v1.2",
    "mode": "web_grounding",
    "state": "Claim: The James Webb Space Telescope launched in December 2021.",
    "questions": {
      "supported": {
        "type": "noul",
        "instructions": "Is the claim true?"
      }
    }
  }'

പ്രതികരണത്തിൽ search_results ചേർക്കുന്നു, അതായത് മോഡൽ വായിച്ച പേജുകൾ. നവംബർ 4-ന്, ഇത് “അതെ” എന്നതിന് 0.99-ന് മുകളിലുള്ള സാധ്യത നൽകി, NASA-യുടെ ബഹിരാകാശ പേടക രേഖയായിരുന്നു ആദ്യ ഫലം.

ഒരു പേജിന്റെ URL, state ആയി നൽകി മോഡലിനെ ആ പേജിലേക്ക് നയിക്കുക:

bash

curl -X POST https://api.perplexity.ai/v1/decisions \
  -H "Authorization: Bearer $PERPLEXITY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "pplx-decider-v1.2",
    "mode": "web_grounding",
    "state": "https://pypi.org/project/requests/",
    "questions": {
      "newer_stable_release": {
        "type": "noul",
        "instructions": "Has this package published a stable release newer than 2.31.0 as of today?"
      }
    }
  }'

Perplexity Python ലൈബ്രറിയിൽ, അഭ്യർത്ഥനയുടെ ബോഡിയിൽ mode നൽകുക:

python

from perplexity import Perplexity

client = Perplexity()

response = client.decisions.create(
    model="pplx-decider-v1.2",
    state="Claim: The James Webb Space Telescope launched in December 2021.",
    questions={"supported": {"type": "noul", "instructions": "Is the claim true?"}},
    extra_body={"mode": "web_grounding"},
)

print(response.answers["supported"].noul)

ഇൻപുട്ട് ടോക്കണുകൾക്ക് പുറമെ, പൂർത്തിയായ ഓരോ സെർച്ചിനും $0.001 ചെലവാകും. സെർച്ച് തെളിവുകൾ ഇൻപുട്ട് ടോക്കണുകളായി കണക്കാക്കപ്പെടുന്നു. Web Grounding ഉപയോഗിക്കുന്ന ഒരു അഭ്യർത്ഥനയിൽ പരമാവധി 100 ചോദ്യങ്ങൾ വരെ ഉൾപ്പെടുത്താം.

വെബ് ഗ്രൗണ്ടിംഗ് ഡോക്യുമെന്റേഷൻ പരിശോധിച്ചുകൊണ്ട് ആരംഭിക്കുക.

ഒരു ഡിസിഷൻ മോഡൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു

വെബ് ഗ്രൗണ്ടിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു

വെബ് ഗ്രൗണ്ടിംഗ് പരിശോധന

PWS-Decisions

ഡെവലപ്പർമാർക്ക് നിർമ്മിക്കാനാകുന്നത്

ആരംഭിക്കുക