Cómo Perplexity integra la precisión en la IA de vanguardia

Nuestra misión es potenciar la curiosidad de quienes desean conocer más y hacer más con el conocimiento del mundo. Para lograrlo, nuestro enfoque principal siempre ha sido hacer que los mejores modelos de IA de vanguardia sean más precisos en Perplexity.

Por primera vez, compartimos una de las tecnologías que respaldan cómo lo hacemos. Hoy, nuestro equipo de investigación publicó una exploración técnica sobre modelos de lenguaje (LLM) aumentados por búsqueda.

Existen decenas de procesos que utilizamos para desarrollar la precisión, y esta es una mirada poco común al interior de uno de ellos: el entrenamiento posterior de modelos de IA de vanguardia para que tengan un desempeño óptimo frente a los estándares de precisión de los productos de Perplexity, como Search, Comet y Computer.

Entrenamos el comportamiento antes de la búsqueda

Un motor de respuestas requiere que los modelos subyacentes hagan más que generar texto fluido. Deben encontrar evidencia, seguir la solicitud del usuario, utilizar herramientas correctamente y convertir ese trabajo en una respuesta enfocada.

Realizamos un entrenamiento posterior para ello en dos etapas. Primero, enseñamos al modelo cómo comportarse dentro del producto, incluyendo cómo seguir instrucciones, mantenerse consistente y utilizar las herramientas de manera adecuada. Luego, lo entrenamos en tareas de búsqueda más difíciles para que mejore en la búsqueda de evidencia, su uso eficaz y la respuesta de manera más eficiente.

El enfoque por etapas es una de las diferencias simples entre Perplexity y una configuración de contenedor tradicional con acceso al modelo y a la web. Es por ello que el mismo modelo puede producir resultados diferentes en distintos productos, y por qué puede funcionar mejor en Perplexity que en una implementación más sencilla.

Preguntas que requieren síntesis

Algunas preguntas son búsquedas sencillas. Otras requieren que el modelo conecte evidencia entre diversas fuentes.

Entrenamos con preguntas que requieren que el modelo conecte evidencia entre fuentes. Para preguntas fácticas, utilizamos tareas que obligan al modelo a buscar, razonar y verificar en lugar de saltar a una respuesta a partir de una única pista obvia. Muchas preguntas requieren conectar información entre múltiples fuentes. Necesitan que el modelo pase de una pieza de evidencia a otra y construya la respuesta a partir de esa cadena.

También entrenamos en diferentes formatos de respuesta, de modo que el modelo permanezca preciso ya sea que el usuario desee un párrafo, una lista, una tabla u otra estructura. El resultado es una mejor síntesis, consistente en respuestas que conectan evidencia entre fuentes en lugar de solo recuperar hechos aislados.

Las tareas abiertas necesitan estándares

Perplexity se utiliza para algo más que una búsqueda fáctica. Gran parte del trabajo es de tipo abierto, incluyendo la reescritura, edición, resumen, explicación y planificación.

Esas tareas no tienen una respuesta correcta exacta, pero aun así requieren estándares. Para el trabajo abierto, utilizamos rúbricas, que son verificaciones estructuradas sobre si una respuesta realmente cumplió el objetivo. ¿Siguió las instrucciones? ¿Preservó el significado? ¿Resolvió el problema del usuario?

Esto nos permite entrenar tareas abiertas con estándares claros en lugar de tratarlas como escritura de formato libre.

La precisión es antes que la preferencia

Para tareas fácticas, una respuesta debe ser correcta antes de obtener créditos por ser más útil o estar mejor redactada. Para tareas abiertas, la respuesta debe satisfacer la rúbrica antes de que otras cualidades entren en juego.

Esto mantiene al sistema enfocado en la sustancia sobre el estilo. Ayuda a prevenir un modo de falla común de respuestas que suenan mejor sin ser realmente mejores. La recompensa son menos respuestas pulidas que se desmoronan bajo inspección.

La eficiencia contribuye a la calidad de la respuesta

También entrenamos al modelo para que utilice la búsqueda con disciplina.

Cualquier paso de búsqueda adicional debería mejorar la respuesta, y una respuesta más larga debería justificar su extensión. Cuando las búsquedas adicionales o las palabras extra no ayudan, el sistema debería detenerse.

Esto produce respuestas que son más fáciles de usar y preserva el enfoque del modelo cuando trabaja a través de cadenas de acciones más largas, donde los pequeños errores se agravan.

Las mejores respuestas requieren un trabajo constante

La calidad de la búsqueda proviene de cómo el producto entrena al modelo para recopilar evidencia, responder con disciplina, manejar el trabajo abierto y detenerse cuando cuenta con suficiente respaldo.

A medida que los sistemas de IA asumen trabajos más largos y autónomos, ese entrenamiento moldea la calidad de las respuestas individuales y todo lo construido sobre ellas. Nunca hemos afirmado que Perplexity sea 100% precisa, pero sí afirmamos ser la empresa de IA que más se preocupa por ello y que trabaja en ello incansablemente. Alentamos a todos los usuarios a proporcionar comentarios sobre sus respuestas de Perplexity, porque estamos iterando y mejorando constantemente.