Kenalkan Sonar Baru: Model Super Cepat untuk Perplexity

Mulai hari ini, semua pengguna Perplexity Pro dapat mencoba versi terbaru dari 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 online yang komprehensif, kami menemukan bahwa Sonar secara signifikan mengungguli model di kelasnya, seperti GPT-4o mini dan Claude 3.5 Haiku, sekaligus menyamai atau bahkan melampaui kinerja model frontier seperti GPT-4o dan Claude 3.5 Sonnet dalam hal kepuasan pengguna. Didukung oleh infrastruktur inferensi Cerebras, Sonar berjalan dengan kecepatan yang sangat tinggi yaitu 1200 token per detik — memungkinkan pembuatan jawaban yang hampir instan.

Kami melakukan pengujian A/B online yang ekstensif terhadap Sonar untuk mengukur kepuasan pengguna — metrik kunci yang berkorelasi kuat dengan penggunaan dan retensi produk. Metrik ini menangkap seberapa puas dan terlibatnya 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 Sonar mengungguli Claude 3.5 Sonnet, sementara mendekati kinerja GPT-4o dengan fraksi harga dan kecepatan lebih dari 10x lipat.

Didukung oleh infrastruktur inferensi Cerebras, Sonar memberikan jawaban dengan kecepatan kilat, mencapai throughput decoding yang hampir 10x lebih cepat daripada model sebanding seperti Gemini 2.0 Flash. Ini memungkinkan pembuatan jawaban yang hampir instan, menjadikan Sonar ideal untuk pengambilan informasi cepat atau kasus penggunaan tanya jawab terperinci.

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

Faktualitas Jawaban: Mengukur seberapa baik sebuah model dapat menjawab pertanyaan menggunakan fakta yang didasarkan pada hasil pencarian, serta kemampuannya untuk mengatasi informasi yang saling bertentangan atau hilang

Keterbacaan: Mengukur kemampuan model untuk memberikan jawaban yang ringkas dan terperinci dengan penggunaan pemformatan markdown yang tepat untuk mengatur teks

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

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

IFEval: Mengukur seberapa baik model mematuhi instruksi yang diberikan pengguna

MMLU: Mengevaluasi pengetahuan dunia di berbagai domain

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

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. Model ini juga dapat digunakan melalui penawaran Sonar API*.

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

*Model Sonar yang disajikan melalui API belum berjalan di infrastruktur inferensi Cerebras, tetapi akan segera dirilis

Pengguna Perplexity Lebih Menyukai Sonar

Kecepatan Super Cepat Memungkinkan Jawaban Instan

Sonar Unggul dalam Memberikan Jawaban Faktual dan Berkualitas Tinggi

Bagaimana Sonar Menjawab Pertanyaan

Gunakan Sonar Hari Ini

Catatan Kaki