Temui Sonar Baru: Model Cepat Optimalisasi untuk Pencarian Perplexity

Mulai hari ini, semua pengguna Perplexity Pro dapat mencoba versi terbaru Sonar, model internal Perplexity yang dioptimalkan untuk kualitas jawaban dan pengalaman pengguna. Dibangun di atas Llama 3.3 70B, Sonar telah dilatih lebih lanjut untuk meningkatkan faktualitas dan keterbacaan jawaban untuk mode pencarian default Perplexity.

Melalui pengujian A/B daring yang komprehensif, kami menemukan bahwa Sonar secara signifikan melampaui model-model di kelasnya, seperti GPT-4o mini dan Claude 3.5 Haiku, sementara mendekati atau melebihi performa model frontier seperti GPT-4o dan Claude 3.5 Sonnet untuk kepuasan pengguna. Ditenagai oleh infrastruktur inferensi Cerebras, Sonar berjalan dengan kecepatan sangat cepat 1200 token per detik — memungkinkan penghasilan jawaban yang hampir instan.

Pengguna Perplexity Lebih Memilih Sonar

Kami melakukan pengujian A/B daring yang ekstensif untuk Sonar guna mengukur kepuasan pengguna — metrik utama yang sangat berkorelasi dengan penggunaan dan retensi produk. Metrik ini menangkap seberapa puas dan terlibat pengguna saat mengajukan pertanyaan di Perplexity.

Evaluasi kami menunjukkan bahwa Sonar melampaui GPT-4o mini dan Claude 3.5 Haiku dengan selisih yang signifikan. Kami juga membandingkan Sonar dengan model frontier yang lebih mahal dan menemukan bahwa model ini mengungguli Claude 3.5 Sonnet, sambil mendekati performa GPT-4o dengan harga yang lebih murah dan lebih dari 10x lebih cepat.

Kecepatan Super Cepat Memungkinkan Jawaban Instan

Ditenagai oleh infrastruktur inferensi Cerebras, Sonar menyampaikan jawaban dengan kecepatan super cepat, mencapai throughput decoding yang hampir 10x lebih cepat dari model sebanding seperti Gemini 2.0 Flash. Ini memungkinkan penghasilan jawaban yang hampir instan, yang membuat Sonar ideal untuk pengambilan informasi cepat atau kasus penggunaan menjawab pertanyaan detail.

Sonar Unggul dalam Memberikan Jawaban Faktual dan Berkualitas Tinggi

Kami mengoptimalkan Sonar di dua dimensi kritis yang sangat berkorelasi dengan kepuasan pengguna — faktualitas jawaban dan keterbacaan.

• Faktualitas Jawaban: Mengukur seberapa baik model dapat menjawab pertanyaan menggunakan fakta yang berdasarkan hasil pencarian, dan kemampuannya menyelesaikan informasi konflik atau yang hilang

• Keterbacaan: Mengukur kemampuan model untuk memberikan jawaban yang ringkas dan rinci dengan penggunaan format markdown yang tepat untuk mengatur teks

Hasil kami menunjukkan bahwa Sonar secara signifikan meningkatkan aspek-aspek ini dibandingkan model dasar, Llama 3.3 70B Instruct, dan bahkan melampaui model frontier lainnya di area kunci ini†.

Selain itu, Sonar juga melebihi model sekelas seperti GPT-4o mini dan Claude 3.5 Haiku pada tolok ukur akademik yang mengukur kepatuhan terhadap instruksi pengguna dan pengetahuan dunia.

• IFEval: Mengukur seberapa baik model mematuhi instruksi yang diberikan oleh pengguna

• MMLU: Mengevaluasi pengetahuan dunia di berbagai domain

Cara Sonar Menjawab Pertanyaan

Seperti apakah peningkatan faktualitas dan keterbacaan dalam praktik? Bandingkan pencarian ini, yang dilakukan baik pada Sonar dan model lain untuk melihat perbedaannya.

Gunakan Sonar Hari Ini

Sonar unggul dalam memberikan jawaban yang cepat dan akurat, menjadikannya model yang hebat untuk penggunaan sehari-hari. Pengguna Perplexity Pro dapat menjadikan Sonar sebagai model default mereka di pengaturan mereka. Ini juga dapat digunakan melalui penawaran API Sonar*.

Catatan Kaki

• †Evaluasi ini dinilai pada skala dari 0 hingga 100, di mana yang lebih tinggi lebih baik

• *Model Sonar yang disediakan melalui API belum berjalan pada infrastruktur inferensi Cerebras, tetapi segera hadir