Perplexity Sonar ครองการประเมิน Search Arena ใหม่

อันดับที่ 1 ร่วม: Sonar-Reasoning-Pro-High ทำคะแนน Arena Score ได้ 1136 (±21/−19) ครองอันดับหนึ่งร่วมกับ Gemini-2.5-Pro-Grounding ของ Google (1142 +14/-17) ในการแข่งขันแบบตัวต่อตัวโดยตรง Sonar-Reasoning-Pro-High เอาชนะ Gemini-2.5-Pro-Grounding ได้ 53% ของครั้งทั้งหมด
ความโดดเด่นของ Sonar: โมเดลของ Perplexity คว้าอันดับ 1 ถึง 4 ซึ่งมีประสิทธิภาพเหนือกว่าโมเดลอื่นๆ ที่ได้รับการประเมินจาก Google และ OpenAI อย่างมาก
ข้อได้เปรียบด้านการใช้เหตุผล: โมเดลที่รวมความสามารถในการใช้เหตุผล (sonar-reasoning-pro และ sonar-reasoning) ได้รับการจัดอันดับสูงกว่า ซึ่งสอดคล้องกับความชื่นชอบทั่วไปของผู้ใช้ที่มีต่อโมเดลการใช้เหตุผล (3 อันดับแรกบนกระดานผู้นำ)
ความลึกของการค้นหา: โมเดล Sonar ดำเนินการค้นหาที่ลึกขึ้นและพิจารณาแหล่งที่มามากกว่า โดยโดยเฉลี่ยแล้วจะอ้างอิงแหล่งที่มามากกว่าโมเดล Gemini ที่เทียบเคียงกัน 2-3 เท่า

______

LM Arena เพิ่งเปิดตัว กระดานผู้นำ Search Arena ใหม่ ซึ่งเปรียบเทียบระบบ LLM ที่เสริมการค้นหาโดยอิงตามความพึงพอใจของมนุษย์ โมเดล Sonar-Reasoning-Pro ของ Perplexity ครองอันดับหนึ่งร่วมกับ Gemini-2.5-Pro-Grounding โดยที่โมเดล Sonar ที่เหลือมีประสิทธิภาพเหนือกว่า Gemini-2.0-Flash-Grounding และโมเดลการค้นหาเว็บทั้งหมดของ OpenAI

แตกต่างจาก SimpleQA ที่เน้นความถูกต้องตามข้อเท็จจริงแบบแคบๆ แต่ LM Arena ประเมินว่าโมเดลมีประสิทธิภาพอย่างไรกับคำค้นหาของผู้ใช้จริงในด้านการเขียนโค้ด การเขียน การวิจัย และคำแนะนำ สำหรับ Search Arena การประเมินจะเน้นเหตุการณ์ปัจจุบันและรวมถึงพรอมต์ที่ยาวและซับซ้อนมากขึ้น โดยรวบรวมคะแนนความพึงพอใจของผู้ใช้มากกว่า 10,000 คะแนนจาก 11 โมเดล ระหว่างวันที่ 18 มีนาคมถึง 13 เมษายน 2025 Search Arena ได้ขอให้ผู้ใช้ป้อนพรอมต์และเลือกคำตอบของโมเดลที่ตอบสนองความต้องการด้านข้อมูลได้ดีกว่า

โมเดล Sonar ของ Perplexity มีประสิทธิภาพเหนือกว่าโมเดลล้ำสมัยชั้นนำหลายรุ่น ซึ่งรวมถึง Gemini 2.0 Flash และ GPT 4o Search โมเดล Sonar-Reasoning-Pro ของเราทำคะแนนได้ 1136 ซึ่งเสมอกับ Gemini-2.5-Pro-Grounding (1142) ในตำแหน่งสูงสุดทางสถิติ

ในการแข่งขันแบบตัวต่อตัวโดยตรง Sonar-Reasoning-Pro-High เอาชนะ Gemini-2.5-Pro-Grounding ได้ 53% ของครั้งทั้งหมด

การประเมินของ Search Arena เผยให้เห็นปัจจัยสามประการที่มีความสัมพันธ์อย่างมากกับความพึงพอใจของผู้ใช้:

คำตอบที่ยาวขึ้น (สัมประสิทธิ์ 0.255, p<0.05)
จำนวนการอ้างอิงที่สูงขึ้น (สัมประสิทธิ์ 0.234, p<0.05)
การอ้างอิงจากแหล่งข้อมูลเว็บของชุมชน

กระดานผู้นำแสดงให้เห็นว่าผู้ใช้มีความชื่นชอบอย่างชัดเจนต่อโมเดลที่เสริมการใช้เหตุผล โดย Sonar-Reasoning-Pro และ Sonar-Reasoning ครองสองในสามอันดับแรก การทดลองควบคุมตอกย้ำผลลัพธ์เหล่านี้ โดยแสดงให้เห็นว่าการควบคุมการอ้างอิงทำให้การจัดอันดับโมเดลมาบรรจบกัน ซึ่งบ่งชี้ว่าความลึกของการค้นหาเป็นตัวสร้างความแตกต่างด้านประสิทธิภาพที่สำคัญ

โมเดล Sonar ของ Perplexity มีความลึกในการค้นหาที่สูงกว่าอย่างมาก โดย ppl-sonar-pro-high อ้างอิงแหล่งที่มามากกว่าโมเดล Gemini ที่เทียบเท่ากัน 2-3 เท่า

สำหรับผู้ใช้ Perplexity ผลลัพธ์เหล่านี้ยืนยันว่าโมเดล Sonar ให้ความแม่นยำระดับดีที่สุดใน1ระดับชั้นนำ การอ้างอิงแหล่งที่มาที่ครอบคลุม และคำตอบคุณภาพสูงในหลากหลายหัวข้อ

ผู้ใช้ Perplexity Pro สามารถรับประโยชน์จากโมเดลประสิทธิภาพสูงเหล่านี้ต่อไปได้โดยการตั้งค่า Sonar เป็นโมเดลเริ่มต้นใน การตั้งค่า ผู้ใช้ API สามารถเข้าถึงความสามารถเหล่านี้ผ่าน ข้อเสนอ Sonar API ของเราพร้อมโหมดการค้นหาที่ยืดหยุ่นเพื่อสร้างความสมดุลระหว่างประสิทธิภาพและความคุ้มค่า

แม้ว่าเราจะภูมิใจในความสำเร็จนี้ แต่เรายังคงมุ่งเน้นไปที่การปรับปรุงอย่างต่อเนื่อง การประเมินของ Search Arena ให้ข้อมูลเชิงลึกที่มีค่าเกี่ยวกับความพึงพอใจของผู้ใช้ ซึ่งจะแจ้งเป็นข้อมูลประกอบความพยายามในการพัฒนาอย่างต่อเนื่องของเรา

เข้าร่วมกับ Denis Yarats ผู้ร่วมก่อตั้งและ CTO ของ Perplexity เพื่อรับชมภาพรวมของ API ของเราในวันที่ 24 เมษายน เวลา 11:00 น. ตามเวลาแปซิฟิก (PT) Denis จะให้ภาพรวมของ API ของ Perplexity แบ่งปันผลลัพธ์การทดสอบประสิทธิภาพ และกรณีการใช้งาน API

ลงทะเบียน ที่นี่

เริ่มต้นใช้งาน Sonar

สรุปสั้นๆ

การเปรียบเทียบประสิทธิภาพบน Search Arena

ผลการทดสอบประสิทธิภาพของโมเดล Sonar

ความหมายของเรื่องนี้สำหรับผู้ใช้

ทำความรู้จักกับ Sonar