บล็อกของ Perplexity

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
การวิจัย21 ต.ค. 2569ครูที่ดีย่อมสอนให้เหมาะกับระดับของนักเรียนวิธีการกลั่นความรู้ด้วยตนเอง (self-distillation) แบบใหม่ที่ฝึกครูและนักเรียนร่วมกัน เพื่อปรับปรุงสมรรถนะของโมเดลและประสิทธิภาพการฝึกในงานการให้เหตุผลที่ซับซ้อนและงานเชิงเอเจนต์
People working on laptops with the U.S. Capitol visible through a window at dusk.
ข่าว28 ต.ค. 2569การรับรอง FedRAMP ใหม่นำ Perplexity เข้าสู่เวิร์กโฟลว์ของภาครัฐได้มากขึ้นหน่วยงานรัฐบาลกลางสามารถค้นหาเว็บแบบเรียลไทม์ด้วย Perplexity และรับคำตอบพร้อมการอ้างอิง ซึ่งเป็นส่วนหนึ่งของการรับรอง FedRAMP ใหม่

แนะนำ

  1. A white shield and keyhole on a translucent glass tile against a teal landscape.
    ไอเดีย29 ก.ย. 2569วิธีที่เราสร้างเอเจนต์ที่ปลอดภัยยิ่งขึ้นมาตรการป้องกันแบบหลายชั้น การตรวจสอบอิสระ และการกำกับดูแลโดยมนุษย์ ในคลาวด์ เบราว์เซอร์ ท้องถิ่น และเอเจนต์เอ็นพอยต์ของ Perplexity
  2. Abstract glass panel with illuminated edges separating light and shadow against a dark background.
    ข่าว15 ต.ค. 2569เปิดซอร์ส SPACE แพลตฟอร์มแซนด์บ็อกซ์เบื้องหลัง ComputerPerplexity เปิดซอร์ส SPACE แพลตฟอร์มแซนด์บ็อกซ์เบื้องหลัง Computer เพื่อช่วยให้นักพัฒนาสร้างเอเจนต์ AI ที่ทำงานได้อย่างอิสระและปลอดภัยยิ่งขึ้น
  3. Two people working at separate desks in a dimly lit office.
    นักพัฒนา28 ก.ย. 2569Agent API รองรับเอเจนต์ที่นำกลับมาใช้ใหม่ได้แล้วTeams สร้างเอเจนต์ที่นำกลับมาใช้ใหม่ได้ด้วย Profile, Skill และตัวเชื่อมต่อที่มีการจัดการที่มีการจัดเวอร์ชัน ซึ่งสามารถแชร์ข้ามแอปพลิเคชันได้

เพิ่มเติมจากทีมวิจัยของ Perplexity

  1. การหลบหนี SPACE: ตอนที่ Iการทดสอบความปลอดภัยแบบ Red-teaming สำหรับการแยก VM และการจำกัดเครือข่ายสำหรับเอเจนต์ AI
  2. การสร้างพื้นที่ทำงานร่วมกันสำหรับผู้คนและเอเจนต์วิธีที่โปรเจกต์ใน Perplexity ทำให้งานระยะยาวคงทนถาวร ทำงานพร้อมกันได้ และตรวจสอบย้อนกลับได้
  3. เอ็มเบดดิงแบบมัลติโมดัลที่ก้าวข้ามเวกเตอร์เดียวตระกูลโมเดล late-interaction ใหม่สำหรับการค้นคืนข้อความและภาพ พร้อมสเปซการฝังเวกเตอร์ร่วมในทุกขนาดโมเดล
งานวิจัยทั้งหมด

เผยแพร่ล่าสุด

พบ 211 โพสต์

  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. การรับรอง FedRAMP ใหม่นำ Perplexity เข้าสู่เวิร์กโฟลว์ของภาครัฐได้มากขึ้นหน่วยงานรัฐบาลกลางสามารถค้นหาเว็บแบบเรียลไทม์ด้วย Perplexity และรับคำตอบพร้อมการอ้างอิง ซึ่งเป็นส่วนหนึ่งของการรับรอง FedRAMP ใหม่
  3. การนำ RAG ไปใช้งานขั้นพื้นฐาน: บทช่วยสอนทีละขั้นตอนบทช่วยสอนสำหรับผู้เริ่มต้นนี้อธิบายวิธีการทำงานของการนำ RAG ไปใช้งานขั้นพื้นฐาน ครอบคลุมแนวทางปฏิบัติที่ดีที่สุด และแนะนำการสร้างระบบ RAG แบบบรรทัดคำสั่งที่ใช้งานได้จริงด้วย Python, ChromaDB รวมถึงโมเดลเอ็มเบดดิงและโมเดลภาษาของ Perplexity
  4. เกตเวย์ LLM ทำงานอย่างไร? คู่มือฉบับใช้งานจริงสำหรับทีมวิศวกรรมเกตเวย์ LLM คือรีเวิร์สพร็อกซีที่ทำหน้าที่กำหนดเส้นทาง ยืนยันตัวตน แคช และบันทึกล็อกการเรียกใช้โมเดลของคุณ คู่มือนี้จะพาคุณติดตามเส้นทางของคำขอหนึ่งรายการที่ผ่านเกตเวย์ อธิบายความเสี่ยงด้านความปลอดภัยและความน่าเชื่อถือที่ต้องวางแผนรับมือ และเปรียบเทียบตัวเลือกระหว่างการสร้างเอง การโฮสต์เอง บริการแบบมีผู้ดูแลจัดการ และ API Gateway
  5. สถาปัตยกรรม RAG คืออะไร? คำจำกัดความฉบับสมบูรณ์พร้อมตัวอย่างการใช้งานจริงโดยละเอียดสถาปัตยกรรม RAG คือชุดของส่วนประกอบที่จัดเก็บ ดึง และป้อนข้อมูลภายนอกให้กับ LLM คู่มือนี้จะแจกแจง 10 ประเภท ตั้งแต่ RAG แบบพื้นฐานและแบบไฮบริด ไปจนถึง RAG แบบเอเจนต์และ GraphRAG พร้อมตัวอย่างแบบทีละขั้นตอนสองตัวอย่าง
  6. วิธีประเมินเอเจนต์ AI: ชุดทดสอบ ตัวให้คะแนน และการตรวจสอบรีเกรสชันคู่มือเชิงปฏิบัติ 6 ขั้นตอนสำหรับการประเมินเอเจนต์ AI ตั้งแต่การกำหนดความสำเร็จและการสร้างชุดทดสอบจากความล้มเหลวจริง ไปจนถึงการเลือกตัวให้คะแนน การรันการตรวจสอบรีเกรสชัน และการติดตามผลในโปรดักชัน
  7. วิธีติดตามและควบคุมการใช้จ่ายโทเค็นของทีมทีมจะดูการใช้โทเค็นของตนในแดชบอร์ดและรายงานได้อย่างไร งาน AI ประเภทใดใช้โทเค็นมากที่สุด และจะใช้การควบคุมเพื่อลดการใช้โทเค็นได้อย่างไร
  8. ครูที่ดีย่อมสอนให้เหมาะกับระดับของนักเรียนวิธีการกลั่นความรู้ด้วยตนเอง (self-distillation) แบบใหม่ที่ฝึกครูและนักเรียนร่วมกัน เพื่อปรับปรุงสมรรถนะของโมเดลและประสิทธิภาพการฝึกในงานการให้เหตุผลที่ซับซ้อนและงานเชิงเอเจนต์
  9. เกตเวย์ AI คืออะไร? คู่มือการกำหนดเส้นทาง การควบคุมต้นทุน และการกำกับดูแลทราฟฟิก LLM และเอเจนต์เกตเวย์ AI คือพร็อกซีส่วนกลางที่อยู่ระหว่างแอปพลิเคชันหรือเอเจนต์ AI ของคุณกับโมเดลที่เรียกใช้ โดยจัดการการกำหนดเส้นทาง การควบคุมต้นทุน ความปลอดภัย และความสามารถในการสังเกตการณ์ไว้ในที่เดียว
  10. Perplexity นำ Computer สู่โครงสร้างพื้นฐานระดับองค์กรร่วมกับ ValarianPerplexity และ Valarian นำ Computer สู่โครงสร้างพื้นฐานของสถาบัน พร้อมการควบคุมสำหรับข้อมูลที่ละเอียดอ่อนและเวิร์กโหลดที่อยู่ภายใต้การกำกับดูแล