Comment Perplexity intègre la précision dans l'IA de pointe

Notre mission est de stimuler la curiosité des personnes qui souhaitent en savoir plus et tirer meilleur parti des connaissances mondiales. Pour ce faire, notre objectif central a toujours été de rendre les meilleurs modèles d'IA de pointe plus précis sur Perplexity.

Pour la première fois, nous partageons l'une des technologies derrière notre approche. Aujourd'hui, notre équipe de recherche a publié une étude technique sur les LLM augmentés par la recherche.

Nous utilisons des dizaines de processus pour développer la précision, et voici un rare aperçu de l'un d'entre eux : le post-entraînement des modèles d'IA de pointe pour optimiser leurs performances selon les normes de précision des produits Perplexity tels que Search, Comet et Computer.

Nous entraînons le comportement avant la recherche

Un moteur de réponse exige que les modèles sous-jacents fassent plus que générer un texte fluide. Ils doivent trouver des preuves, suivre la demande de l'utilisateur, utiliser correctement les outils et transformer ce travail en une réponse ciblée.

Nous effectuons ce post-entraînement en deux étapes. Premièrement, nous apprenons au modèle comment se comporter au sein du produit, notamment comment suivre les instructions, rester cohérent et utiliser les outils de manière appropriée. Ensuite, nous l'entraînons sur des tâches de recherche plus complexes afin qu'il améliore sa capacité à trouver des preuves, à bien les utiliser et à répondre plus efficacement.

Cette approche par étapes constitue l'une des différences fondamentales entre Perplexity et une configuration traditionnelle utilisant un modèle avec accès au Web. C'est pourquoi le même modèle peut produire des résultats différents dans différents produits, et pourquoi il peut mieux fonctionner dans Perplexity que dans un déploiement plus simple.

Questions nécessitant une synthèse

Certaines questions sont des recherches simples. D'autres exigent que le modèle relie des preuves provenant de différentes sources.

Nous entraînons le modèle sur des questions qui nécessitent de relier des preuves provenant de sources multiples. Pour les questions factuelles, nous utilisons des tâches qui obligent le modèle à rechercher, raisonner et vérifier plutôt que de passer directement à une réponse basée sur un seul indice évident. De nombreuses questions nécessitent de relier des informations provenant de sources variées. Elles exigent que le modèle passe d'un élément de preuve à l'autre et construise la réponse à partir de cette chaîne.

Nous entraînons également le modèle sur différents formats de réponse, afin qu'il reste précis, que l'utilisateur souhaite un paragraphe, une liste, un tableau ou une autre structure. Le résultat est une meilleure synthèse, composée de réponses qui relient les preuves entre les sources plutôt que de simplement récupérer des faits isolés.

Les tâches ouvertes nécessitent des normes

Perplexity est utilisé pour bien plus que la simple recherche factuelle. Une grande partie du travail est ouverte, notamment la réécriture, l'édition, la synthèse, l'explication et la planification.

Ces tâches n'ont pas une seule réponse exacte, mais elles nécessitent tout de même des normes. Pour le travail ouvert, nous utilisons des rubriques qui sont des contrôles structurés permettant de vérifier si une réponse a réellement accompli sa mission. A-t-elle suivi les instructions ? A-t-elle préservé le sens ? A-t-elle résolu le problème de l'utilisateur ?

Cela nous permet d'entraîner les tâches ouvertes avec des normes claires au lieu de les traiter comme une rédaction libre.

La précision prime sur les préférences

Pour les tâches factuelles, une réponse doit être correcte avant de pouvoir être jugée utile ou mieux rédigée. Pour les tâches ouvertes, la réponse doit satisfaire la rubrique avant que d'autres qualités n'entrent en jeu.

Cela permet au système de se concentrer sur le fond plutôt que sur la forme. Cela aide à éviter un mode d'échec courant : des réponses qui semblent meilleures sans pour autant l'être. Le résultat est une réduction des réponses polies qui s'effondrent lors d'une inspection approfondie.

L'efficacité contribue à la qualité des réponses

Nous entraînons également le modèle à utiliser la recherche avec discipline.

Toute étape de recherche supplémentaire doit améliorer la réponse, et une réponse plus longue doit justifier sa longueur. Lorsque des recherches ou des mots supplémentaires n'apportent rien, le système doit s'arrêter.

Cela produit des réponses plus faciles à utiliser et préserve la concentration du modèle lorsqu'il travaille sur des chaînes d'actions plus longues, où les petites erreurs s'accumulent.

De meilleures réponses exigent un travail constant

La qualité de la recherche dépend de la manière dont le produit entraîne le modèle à rassembler des preuves, à répondre avec discipline, à gérer le travail ouvert et à s'arrêter lorsqu'il dispose d'un soutien suffisant.

À mesure que les systèmes d'IA prennent en charge des tâches plus longues et plus autonomes, cet entraînement façonne la qualité des réponses individuelles et de tout ce qui est construit sur cette base. Nous n'avons jamais prétendu que Perplexity est précis à 100 %, mais nous affirmons être l'entreprise d'IA qui s'en préoccupe le plus et qui y travaille sans relâche. Nous encourageons tous les utilisateurs à faire part de leurs retours sur leurs réponses Perplexity, car nous sommes en constante itération et amélioration.