PPLX ഓൺലൈൻ LLM-കൾ പരിചയപ്പെടുത്തുന്നു

ഇതുപോലെയുള്ള ആദ്യത്തെ ഓൺലൈൻ LLM API.

രണ്ട് പുതിയ PPLX മോഡലുകൾ പങ്കുവെക്കുന്നതിൽ ഞങ്ങൾ സന്തുഷ്ടരാണ്: pplx-7b-online, pplx-70b-online! ഞങ്ങളുടെ ഓൺലൈൻ മോഡലുകൾ സഹായകരവും കാലികവുമായ വസ്തുതാപരമായ ഉത്തരങ്ങൾ നൽകുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, കൂടാതെ pplx-api വഴി പൊതുവായി ലഭ്യവുമാണ്, ഇത് ഇതിനെ ആദ്യത്തേതുപോലെയുള്ള ഒരു API ആക്കുന്നു. pplx-7b-online, pplx-70b-online എന്നിവ ഞങ്ങളുടെ LLM പ്ലേഗ്രൗണ്ടായ Perplexity Labs വഴിയും ആക്‌സസ് ചെയ്യാവുന്നതാണ്.

LLM-കൾ വിവരങ്ങൾ കണ്ടെത്തുന്ന രീതിയെ മാറ്റിമറിച്ചിരിക്കുന്നു. എന്നിരുന്നാലും, ഇന്നത്തെ മിക്ക LLM-കളിലും രണ്ട് പരിമിതികളുണ്ട്:

പുതുമ: കാലികമായ വിവരങ്ങൾ പങ്കുവെക്കാൻ LLM-കൾ പലപ്പോഴും പാടുപെടുന്നു.

ഭ്രമാത്മകത (Hallucinations): LLM-കൾ തെറ്റായ പ്രസ്താവനകളും ഔട്ട്‌പുട്ട് ചെയ്തേക്കാം.

ഞങ്ങളുടെ pplx-7b-online, pplx-70b-online മോഡലുകൾ പ്രതികരണങ്ങളിൽ സഹായകരവും വസ്തുതാപരവും കാലികവുമായ വിവരങ്ങൾ അധികമായി നൽകിക്കൊണ്ട് നിലവിലെ പരിമിതികളെ അഭിസംബോധന ചെയ്യുന്നു.

PPLX ഓൺലൈൻ LLM-കൾ

ഞങ്ങളുടെ LLM-കളായ pplx-7b-online, pplx-70b-online എന്നിവ ഓൺലൈൻ LLM-കളാണ്, കാരണം അവയ്ക്ക് ഇൻ്റർനെറ്റിൽ നിന്നുള്ള അറിവ് ഉപയോഗിക്കാൻ കഴിയും, അതിനാൽ ഒരു പ്രതികരണം രൂപീകരിക്കുമ്പോൾ ഏറ്റവും കാലികമായ വിവരങ്ങൾ പ്രയോജനപ്പെടുത്താം. ഞങ്ങളുടെ LLM-കൾക്ക് വെബിൽ നിന്നുള്ള അറിവ് നൽകിക്കൊണ്ട്, ഞങ്ങളുടെ മോഡലുകൾ സമയബന്ധിതമായ ചോദ്യങ്ങൾക്ക് കൃത്യമായി പ്രതികരിക്കുന്നു, അതിൻ്റെ പരിശീലന കോർപ്പസിനപ്പുറമുള്ള അറിവ് അൺലോക്ക് ചെയ്യുന്നു. ഇതിനർത്ഥം Perplexity-യുടെ ഓൺലൈൻ LLM-കൾക്ക് ഓഫ്‌ലൈൻ മോഡലുകൾക്ക് വെല്ലുവിളിയായ “കഴിഞ്ഞ രാത്രി വാരിയേഴ്സ് മത്സരത്തിൻ്റെ സ്കോർ എത്രയായിരുന്നു?” പോലെയുള്ള ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ കഴിയും. ഉയർന്ന തലത്തിൽ, ഞങ്ങളുടെ ഓൺലൈൻ LLM പ്രവർത്തിക്കുന്നത് ഇങ്ങനെയാണ്:

1. ഓപ്പൺ സോഴ്സ് മോഡലുകൾ പ്രയോജനപ്പെടുത്തുക: ഞങ്ങളുടെ PPLX മോഡലുകൾ mistral-7b, llama2-70b എന്നിവയുടെ അടിസ്ഥാന മോഡലുകൾക്ക് മുകളിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്.
2. ഇൻ-ഹൗസ് തിരയൽ സാങ്കേതികവിദ്യ: ഞങ്ങളുടെ ഇൻ-ഹൗസ് തിരയൽ, ഇൻഡെക്സിംഗ്, ക്രാളിംഗ് ഇൻഫ്രാസ്ട്രക്ചർ എന്നിവ ഏറ്റവും പ്രസക്തവും കാലികവും വിലപ്പെട്ടതുമായ വിവരങ്ങൾ ഉപയോഗിച്ച് LLM-കളെ വർദ്ധിപ്പിക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നു. ഞങ്ങളുടെ സെർച്ച് ഇൻഡെക്സ് വലുതാണ്, കൃത്യമായ ഇടവേളകളിൽ അപ്‌ഡേറ്റ് ചെയ്യപ്പെടുന്നു, ഉയർന്ന നിലവാരമുള്ളതും SEO ചെയ്യാത്തതുമായ സൈറ്റുകൾക്ക് മുൻഗണന നൽകുന്നുവെന്ന് ഉറപ്പാക്കാൻ സങ്കീർണ്ണമായ റാങ്കിംഗ് അൽഗോരിതം ഉപയോഗിക്കുന്നു. ഏറ്റവും കാലികമായ വിവരങ്ങൾ നൽകിക്കൊണ്ട് പ്രതികരണങ്ങൾ പ്രാപ്തമാക്കുന്നതിന് “സ്നിപ്പെറ്റുകൾ” എന്ന് ഞങ്ങൾ വിളിക്കുന്ന വെബ്‌സൈറ്റ് എസെർപ്റ്റുകൾ ഞങ്ങളുടെ pplx-online മോഡലുകൾക്ക് നൽകിയിരിക്കുന്നു.
3. ഫൈൻ-ട്യൂണിംഗ്: ഞങ്ങളുടെ PPLX മോഡലുകൾ അവയുടെ പ്രതികരണങ്ങൾ അറിയിക്കാൻ സ്നിപ്പെറ്റുകൾ ഫലപ്രദമായി ഉപയോഗിക്കുന്നതിന് ഫൈൻ-ട്യൂൺ ചെയ്തിരിക്കുന്നു. ഞങ്ങളുടെ ഇൻ-ഹൗസ് ഡാറ്റ കോൺട്രാക്ടർമാരെ ഉപയോഗിച്ച്, സഹായകരത, വസ്തുതാപരത, പുതുമ തുടങ്ങിയ വിവിധ അച്ചുതണ്ടുകളിൽ ഉയർന്ന പ്രകടനം കൈവരിക്കുന്നതിന് ഞങ്ങൾ ഉയർന്ന നിലവാരമുള്ളതും വൈവിധ്യമാർന്നതും വലുതുമായ പരിശീലന സെറ്റുകൾ ശ്രദ്ധാപൂർവ്വം ക്യൂറേറ്റ് ചെയ്യുന്നു. പ്രകടനം തുടർച്ചയായി മെച്ചപ്പെടുത്തുന്നതിനായി ഞങ്ങളുടെ മോഡലുകൾ പതിവായി ഫൈൻ-ട്യൂൺ ചെയ്യപ്പെടുന്നു.

Perplexity-യുടെ ഓൺലൈൻ LLM-കൾ വിലയിരുത്തുന്നു

ലോകത്തിലെ ഏറ്റവും മികച്ച ഉത്തര എഞ്ചിൻ നിർമ്മിക്കുക എന്നതാണ് Perplexity-യുടെ ദൗത്യം - ആളുകൾ തങ്ങളുടെ അറിവ് കണ്ടെത്താനും വികസിപ്പിക്കാനും വിശ്വസിക്കുന്ന ഒന്ന്. ഇത് సాధിക്കാൻ, സഹായകരവും വസ്തുതാപരവും കാലികവുമായ വിവരങ്ങൾ നൽകുന്നതിൽ ഞങ്ങൾ ആഴത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഈ അച്ചുതണ്ടുകളിൽ ഞങ്ങളുടെ LLM-കളുടെ പ്രകടനം ബെഞ്ച്മാർക്ക് ചെയ്യാൻ, ഉത്തര എഞ്ചിനുകൾക്കായുള്ള വെല്ലുവിളി നിറഞ്ഞതും എന്നാൽ യാഥാർത്ഥ്യബോധമുള്ളതുമായ ഉപയോഗ കേസുകളെ പ്രതിഫലിപ്പിക്കുന്നതിനായി ഞങ്ങൾ മൂല്യനിർണ്ണയ ഡാറ്റാസെറ്റുകൾ ക്യൂറേറ്റ് ചെയ്തു. ഓരോ മൂല്യനിർണ്ണയ സെറ്റിലെയും ഓരോ ചോദ്യത്തിനും, കരാറുകാர்களுக்கு രണ്ട് മോഡൽ പ്രതികരണങ്ങൾ നൽകുകയും താഴെ പറയുന്ന മാനദണ്ഡങ്ങൾക്കായി മികച്ച രീതിയിൽ പ്രവർത്തിച്ച പ്രതികരണം തിരഞ്ഞെടുക്കാൻ നിർദ്ദേശിക്കുകയും ചെയ്തു:

• സഹായകരത (Helpfulness): ഏത് പ്രതികരണമാണ് ചോദ്യത്തിന് ഉത്തരം നൽകുകയും വ്യക്തമാക്കിയ നിർദ്ദേശങ്ങൾ നന്നായി പാലിക്കുകയും ചെയ്യുന്നത്?
• വസ്തുതാപരത (Factuality): വളരെ കൃത്യമായതോ നിധി പോലെയുള്ളതോ ആയ അറിവ് ആവശ്യമുള്ള ചോദ്യങ്ങൾക്ക് പോലും, ഭ്രമാത്മകതയില്ലാതെ ഏത് പ്രതികരണമാണ് കൂടുതൽ കൃത്യമായ ഉത്തരങ്ങൾ നൽകുന്നത്?
• പുതുമ (Freshness) (FreshLLMs-ൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ടത്): ഏത് പ്രതികരണത്തിലാണ് കൂടുതൽ കാലികമായ വിവരങ്ങൾ അടങ്ങിയിരിക്കുന്നത്? “പുതിയ” വിവരങ്ങൾ ഉപയോഗിച്ച് ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ കഴിയുമെങ്കിൽ ഒരു മോഡൽ ഈ മാനദണ്ഡത്തിൽ മികവ് പുലർത്തുന്നു.

മുകളிலுள்ள മൂന്ന് മാനദണ്ഡങ്ങൾക്ക് പുറമേ, മോഡൽ പ്രതികരണങ്ങൾ സമഗ്രമായി വിലയിരുത്തപ്പെട്ടു. പ്രതികരണങ്ങൾ സമഗ്രമായി വിലയിരുത്തുന്നതിന്, ചോദ്യവുമായി സഹായിക്കുന്ന ഒരു മനുഷ്യ സഹായിയിൽ നിന്ന് തങ്ങൾക്ക് ലഭിക്കാൻ ആഗ്രഹിക്കുന്ന പ്രതികരണം തിരഞ്ഞെടുക്കാൻ വിലയിരുത്തുകാരോട് ആവശ്യപ്പെട്ടു.

മൂല്യനിർണ്ണയ സെറ്റ് ക്യൂറേറ്റ് ചെയ്യുന്നു

ഈ മൂല്യനിർണ്ണയത്തിനായി, സഹായകരത, വസ്തുതാപരത, പുതുമ എന്നിവ ഫലപ്രദമായി വിലയിരുത്തുക എന്ന ലക്ഷ്യത്തോടെ ഞങ്ങൾ വൈവിധ്യമാർന്ന പ്രോംപ്റ്റുകൾ ശ്രദ്ധാപൂർവ്വം ക്യൂറേറ്റ് ചെയ്തു. ഡാറ്റയുടെ ഗുണനിലവാരത്തിലും പ്രസക്തിയിലും ഉയർന്ന തലത്തിലുള്ള നിയന്ത്രണം ഉറപ്പാക്കിക്കൊണ്ട് ഓരോ പ്രോംപ്റ്റും സ്വമേധയാ തിരഞ്ഞെടുത്തു. ഡാറ്റാസെറ്റ് ഉത്തര എഞ്ചിൻ പ്രോംപ്റ്റുകളുടെ വിശാലമായ ശ്രേണിയെ ഉൾക്കൊള്ളുകയും Perplexity മികച്ചതാക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നതിന്റെ സമഗ്രമായ അവലോകനം ഉൾക്കൊള്ളുകയും ചെയ്യുന്നു. ഉയർന്ന സിഗ്നൽ ലഭിക്കുന്നതിന് ഞങ്ങളുടെ മോഡൽ പ്രകടനം മൂല്യനിർണ്ണയങ്ങൾ നടത്തുന്നതിന് ഇത് വളരെ 중요하다.

മൂന്ന് മൂല്യനിർണ്ണയ സെറ്റുകളിൽ ഓരോന്നിലും 50 പ്രോംപ്റ്റുകൾ അടങ്ങിയിരിക്കുന്നു. ഈ സെറ്റുകളിൽ നിന്നുള്ള ചില ഉദാഹരണങ്ങൾ ഉൾപ്പെടുന്നു:

• സഹായകരത (Helpfulness): ലോകകപ്പ് ഫൈനലിൽ കളിച്ച എല്ലാ യുഎസ്എ സോക്കർ കളിക്കാരുടെയും ഒരു പട്ടിക তৈরি ചെയ്യുക, ഗോളുകൾ, അസിസ്റ്റുകൾ തുടങ്ങിയ അവരുടെ സ്റ്റാറ്റുകൾക്കായി നിരകൾ ഉണ്ടാക്കുക.
• വസ്തുതാപരത (Factuality): AISI 1015, AISI 1040 സ്റ്റീലുകളുടെ കഠിനത വിശദീകരിക്കുക.
• കാലികത (Up-to-date-ness): 2023-ൽ സാൻ ഫ്രാൻസിസ്കോയിൽ നിന്ന് നിരോധിക്കപ്പെട്ട ഓട്ടോണമസ് കാർ കമ്പനി ഏതാണ്?

മോഡൽ പ്രതികരണങ്ങൾ സൃഷ്ടിക്കുന്നു

ഞങ്ങൾ നാല് മോഡലുകൾ വിലയിരുത്തി:

pplx-7b-online: ഇൻറർനെറ്റിൽ നിന്നുള്ള വിവരങ്ങളിലേക്കുള്ള പ്രവേശനം ഉൾപ്പെടുന്ന Perplexity-യുടെ മോഡൽ. mistral-7b ഉപയോഗിച്ചാണ് ഈ മോഡൽ ഫൈൻ-ട്യൂൺ ചെയ്തത്.

pplx-70b-online: ഇൻറർനെറ്റിൽ നിന്നുള്ള വിവരങ്ങളിലേക്കുള്ള പ്രവേശനം ഉൾപ്പെടുന്ന Perplexity-യുടെ മോഡൽ. llama2-70b ഉപയോഗിച്ചാണ് ഈ മോഡൽ ഫൈൻ-ട്യൂൺ ചെയ്തത്.

gpt-3.5-turbo-1106: API വഴി ആക്‌സസ് ചെയ്തതും അധിക വർദ്ധനവുകളൊന്നുമില്ലാത്തതുമായ OpenAI-യുടെ മോഡൽ. ഏറ്റവും പുതിയ gpt-3.5 മോഡൽ ഉപയോഗിച്ചാണ് ഞങ്ങൾ ഈ വിലയിരുത്തൽ നടത്തിയ എന്നത് ശ്രദ്ധിക്കുക.

llama2-70b-chat: ഞങ്ങളുടെ pplx-api വഴി ആക്‌സസ് ചെയ്തതും അധിക വർദ്ധനവുകളില്ലാത്തതുമായ Meta AI-യുടെ മോഡൽ.

ഓരോ പ്രോംപ്റ്റിനും, സമാനമായ തിരയൽ ഫലങ്ങളും സ്നിപ്പെറ്റുകളും pplx-7b-online, pplx-70b-online മോഡലുകൾക്ക് നൽകി. ഒരേ ഹൈപ്പർപാരാമീറ്ററുകളും സിസ്റ്റം പ്രോംപ്റ്റും ഉപയോഗിച്ചാണ് എല്ലാ പ്രതികരണങ്ങളും സൃഷ്ടിച്ചത്.

സിസ്റ്റം പ്രോംപ്റ്റ്

ഹ്യൂമൻ ഇവാലുവേഷൻ ഉപയോഗിച്ച് മോഡൽ പ്രതികരണങ്ങൾ റാങ്ക് ചെയ്യുന്നു

ഓരോ ജോഡി താരതമ്യത്തിനും, ഞങ്ങളുടെ ഇൻ-ഹൗസ് കരാറുകാർക്ക് പ്രോംപ്റ്റ് തന്നെയും, മൂല്യനിർണ്ണയ മാനദണ്ഡങ്ങളും (അതായത്, സഹായകരത, വസ്തുതാപരത, അല്ലെങ്കിൽ പുതുമ), വശങ്ങളിലായി പ്രദർശിപ്പിച്ചിരിക്കുന്ന മോഡൽ പ്രതികരണങ്ങളും നൽകി. ഓരോ തിരിവിലും പ്രതികരണങ്ങളുടെ ക്രമം യാദൃശ്ചികമാക്കപ്പെട്ടു, കൂടാതെ ഉറവിട മോഡലുകൾ മൂല്യനിർണ്ണയക്കാരന് വെളിപ്പെടുത്തിയില്ല. രണ്ട് പേർക്കും ടൈകൾ അനുവദിച്ചുകൊണ്ട്, തങ്ങൾ സമഗ്രമായി ഇഷ്ടപ്പെടുന്ന പ്രതികരണവും നിർദ്ദിഷ്ട മൂല്യനിർണ്ണയ മാനദണ്ഡത്തിൽ മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നത് ഏതാണെന്നും തിരഞ്ഞെടുക്കാൻ വിലയിരുത്തുകാരോട് നിർദ്ദേശിച്ചു. അവസാനമായി, പ്രതികരണങ്ങളുടെ കൃത്യത പരിശോധിക്കാൻ ഇൻ്റർനെറ്റ് തിരയൽ ഉപയോഗിക്കാൻ വിലയിരുത്തുകാരെ അനുവദിച്ചു. ഈ മൂല്യനിർണ്ണയം നടത്തുന്നതിനായി ഞങ്ങൾ ഞങ്ങളുടെ സ്വന്തം ഇൻ-ഹൗസ് മുൻഗണനാ റാങ്കിംഗ് ഉപകരണം നിർമ്മിച്ചു.

മൂല്യനിർണ്ണയ ഫലങ്ങൾ

ഓരോ മോഡലിനും ടാസ്‌ക് അടിസ്ഥാനത്തിലുള്ള Elo സ്കോറുകൾ കണക്കാക്കാൻ ഹ്യൂമൻ മൂല്യനിർണ്ണയത്തിൽ നിന്ന് ശേഖരിച്ച ജോഡി മുൻഗണനാ റാങ്കിംഗുകൾ ഞങ്ങൾ ഉപയോഗിക്കുന്നു. കളിക്കാരുടെ ആപേക്ഷിക പ്രകടനം അളക്കുന്നതിനായി ടൂർണമെന്റ് ശൈലിയിലുള്ള മത്സരങ്ങളിൽ കളിക്കാരുടെ ഒരു ജനസംഖ്യയെ റാങ്ക് ചെയ്യാൻ Elo സ്കോറുകൾ സാധാരണയായി ഉപയോഗിക്കുന്നു. വലിയ ഭാഷാ മോഡലുകൾക്ക് ബാധകമാക്കുമ്പോൾ, ഈ സ്കോറുകൾ ഒരു മനുഷ്യ വിലയിരുത്തുകാർ ഒരു മോഡലിന്റെ ഔട്ട്പുട്ടിനെ മറ്റൊന്നിനേക്കാൾ അനുകൂലിക്കാൻ എത്രത്തോളം സാധ്യതയുണ്ട് എന്നതിന്റെ പ്രവചനം നൽകുന്നു.

കളിക്കാരുടെ കഴിவுகளில் മാറ്റങ്ങൾ വരുത്തുന്നതിന് താരതമ്യങ്ങളുടെ ഒരു ക്രമത്തിനായി സാധാരണയായി Elo സ്കോറുകൾ കണക്കാക്കുമ്പോൾ, കഴിവുകൾ മാറ്റാൻ കഴിയാത്ത മോഡലുകളുടെ പ്രകടനം അളക്കാൻ ഞങ്ങൾ ലക്ഷ്യമിടുന്നു. അതനുസരിച്ച്, Duan et al വിവരിച്ചതും lmsys അവരുടെ Chatbot Arena-നായി ഉപയോഗിച്ചതുമായ Bootstrap Elo രീതിശാസ്ത്രം ഞങ്ങൾ സ്വീകരിക്കുന്നു, അതിൽ താരതമ്യങ്ങളുടെ നിരവധി യാദൃശ്ചിക പെർമ്യൂട്ടേഷനുകൾക്കായി Elo സ്കോറുകൾ കണക്കാക്കുന്നത് ഉൾപ്പെടുന്നു. ഞങ്ങളുടെ കണക്കുകൂട്ടലുകൾക്കായി, ഞങ്ങൾ 5000 പെർമ്യൂട്ടേഷനുകളിൽ Elo സ്കോറുകൾ കണക്കാക്കുകയും 95% ആത്മവിശ്വാസ ഇടവേളകൾ കണക്കാക്കാൻ ഈ Elo സ്കോറുകളുടെ വിതരണങ്ങൾ ഉപയോഗിക്കുകയും ചെയ്തു.

ചിത്രം 1-ൽ കാണിച്ചിരിക്കുന്ന ഫലങ്ങൾ, Perplexity-യുമായി ബന്ധപ്പെട്ട ഉപയോഗ കേസുകളിൽ ഞങ്ങളുടെ PPLX മോഡലുകൾക്ക് gpt-3.5 പ്രകടനവുമായി പൊരുത്തപ്പെടാനും മറികടക്കാനും കഴിയുമെന്ന് കാണിക്കുന്നു. പ്രത്യേകിച്ചും, pplx-7b-online, pplx-70b-online മോഡൽ പ്രതികരണങ്ങൾ കൃത്യവും കാലികവുമായ ഉത്തരങ്ങൾക്കായി മനുഷ്യ വിലയിരുത്തുകാർ gpt-3.5, llama2-70b മോഡൽ പ്രതികരണങ്ങളേക്കാൾ തിരഞ്ഞെടുക്കപ്പെടുന്നു.

പുതുമ (freshness), വസ്തുതാപരത (factuality), സമഗ്രമായ (holistic) മാനദണ്ഡങ്ങളിൽ gpt-3.5, llama2-70b എന്നിവയേക്കാൾ നന്നായി pplx-7b-online, pplx-70b-online എന്നിവ പ്രവർത്തിക്കുന്നു.

മൂല്യനിർണ്ണയത്തിൽ നിന്നുള്ള ജോഡി വിജയ നിരക്കുകളും ഞങ്ങൾ കണക്കാക്കയിട്ടുണ്ട്. ചിത്രം 2-ൽ കാണിച്ചിരിക്കുന്ന ഫലങ്ങൾ, അതിശയകരമെന്നു പറയട്ടെ, പുതുമയിലും വസ്തുതാപരതയിലും pplx ഓൺലൈൻ മോഡൽ പ്രതികരണങ്ങൾ മറ്റുള്ളവയേക്കാൾ ഇഷ്ടപ്പെടുന്നുവെന്ന് വ്യക്തമാക്കുന്നു.

ഞങ്ങളുടെ പുതുമ മൂല്യനിർണ്ണയ ഡാറ്റാസെറ്റിൽ നിന്നുള്ള ഒരു ഉദാഹരണം ഇതാ.

പ്രോംപ്റ്റ്: യുഎസ്എയിൽ എത്ര ആളുകൾക്ക് ഡ്രൈവിംഗ് ലൈസൻസ് ഉണ്ട്?

pplx-7b-online

2023-ൽ, യുണൈറ്റഡ് സ്റ്റേറ്റ്സിൽ ഏകദേശം 243.4 ദശലക്ഷം ലൈസൻസുള്ള ഡ്രൈവർമാരുണ്ട്, അതിൽ US മുതിർന്നവരിൽ 89% ഉൾപ്പെടുന്നു. 2022-ലെ 238.6 ദശലക്ഷത്തിൽ നിന്ന് ഈ സംഖ്യ വർദ്ധിച്ചു. ലൈസൻസുള്ള ഡ്രൈവർമാരുടെ ശതമാനം വിവിധ പ്രായ വിഭാഗങ്ങളിലും സംസ്ഥാനങ്ങളിലും വ്യത്യാസപ്പെട്ടിരിക്കുന്നു. ഉദാഹരണത്തിന്, 2019-ൽ, US ജനസംഖ്യയുടെ 84.1% പേർക്ക് ഡ്രൈവിംഗ് ലൈസൻസ് ഉണ്ടായിരുന്നു. ലൈസൻസുള്ള ഡ്രൈവർമാരുടെ ഏറ്റവും ഉയർന്ന ശതമാനം 25 നும் 49 നും ഇടയിൽ പ്രായമുള്ളവരിലാണ്, ജനസംഖ്യയുടെ 90.1% പേർക്കും ഡ്രൈവിംഗ് ലൈസൻസ് ഉണ്ട്. കാലിഫോർണിയയിൽ 27 ദശലക്ഷം ലൈസൻസുള്ള ഡ്രൈവർമാർ ഉണ്ടായിരുന്നു, ഇത് ഏറ്റവും കൂടുതൽ ലൈസൻസുള്ള ഡ്രൈവർമാരുള്ള സംസ്ഥാനമായി മാറ്റി.

pplx-70b-online

2021-ൽ, യുണൈറ്റഡ് സ്റ്റേറ്റ്സിൽ ഏകദേശം 233 ദശലക്ഷം ആളുകൾക്ക് സാധുവായ ഡ്രൈവിംഗ് ലൈസൻസ് ഉണ്ടായിരുന്നു. 2023 ആകുമ്പോഴേക്കും, യുഎസിലെ ലൈസൻസുള്ള ഡ്രൈവർമാരുടെ എണ്ണം 243.4 ദശലക്ഷത്തിൽ എത്തുമെന്ന് പ്രവ难ിക്കുന്നു, അതിൽ 89% യുഎസ് മുതിർന്നവർ ഉൾപ്പെടുന്നു. 2022-ലെ 238.6 ദശലക്ഷത്തിൽ നിന്നുള്ള വർദ്ധനവിനെ ഇത് പ്രതിഫലിപ്പിക്കുന്നു.

gpt-3.5

ഒരു AI ഭാഷാ മോഡൽ എന്ന നിലയിൽ, തത്സമയ ഡാറ്റയിലേക്ക് എനിക്ക് ആക്‌സസ് ഇല്ല. എന്നിരുന്നാലും, 2021 ലെ കണக்கനുസരിച്ച്, യുണൈറ്റഡ് സ്റ്റേറ്റ്സിൽ ഏകദേശം 227 ദശലക്ഷം ആളുകൾക്ക് സാധുവായ ഡ്രൈവിംഗ് ലൈസൻസ് ഉണ്ടായിരുന്നു. അതിനുശേഷം ഈ സംഖ്യ മാറിയിട്ടുണ്ടാകാം എന്നത് ശ്രദ്ധിക്കുക, അതിനാൽ ഏറ്റവും കൃത്യമായ വിവരങ്ങൾക്ക് ഏറ്റവും പുതിയ ഔദ്യോഗിക സ്ഥിതിവിവരക്കണക്കുകൾ റഫർ ചെയ്യുന്നത് എല്ലായ്പ്പോഴും മികച്ചതാണ്.

llama2-70b

തത്സമയ ഡാറ്റയിലേക്ക് എനിക്ക് ആക്‌സസ് ഇല്ല, എന്നാൽ ഡ്രൈവിംഗ് ലൈസൻസുള്ള യുണൈറ്റഡ് സ്റ്റേറ്റ്സിലെ ആളുകളുടെ ഏകദേശ എണ്ണത്തെക്കുറിച്ചുള്ള ചില വിവരങ്ങൾ എനിക്ക് നൽകാൻ കഴിയും. ഫെഡറൽ ഹൈവേ അഡ്മിനിസ്ട്രേഷൻ അനുസരിച്ച്, 2020 ലെ കണக்கനുസരിച്ച് യുണൈറ്റഡ് സ്റ്റേറ്റ്സിൽ ഏകദേശം 227.8 ദശലക്ഷം ലൈസൻസുള്ള ഡ്രൈവർമാർ ഉണ്ടായിരുന്നു. ഈ സംഖ്യയിൽ വാണിജ്യ, വാണിജ്യേതര ഡ്രൈവർമാർ ഉൾപ്പെടുന്നു. ഡ്രൈവിംഗ് ലൈസൻസ് ഉണ്ടായിരിക്കാമെങ്കിലും പതിവായി ഡ്രൈവ് ചെയ്യാത്ത വ്യക്തികളെ ഇത് കണക്കാക്കാത്തതിനാൽ ഈ സംഖ്യ ഒരു കുറഞ്ഞ കണക്കാക്കലായിരിക്കാൻ സാധ്യതയുണ്ട് എന്നത് എടുത്തുപറയേണ്ടതാണ്. കൂടാതെ, 16 വയസ്സിന് താഴെയുള്ളവരോ ചില വൈകല്യങ്ങളുള്ളവരോ ആയ ഡ്രൈവിംഗ് ലൈസൻസിന് അർഹതയില്ലാത്ത വ്യക്തികളെ ഈ സംഖ്യ ഉൾക്കൊള്ളുന്നില്ല. ലൈസൻസുള്ള ഡ്രൈവർമാരുടെ എണ്ണം സംസ്ഥാനം അനുസരിച്ച് വ്യത്യാസപ്പെടാം എന്നത് ശ്രദ്ധിക്കേണ്ടതും പ്രധാനമാണ്, ചില സംസ്ഥാനങ്ങളിൽ മറ്റുള്ളവയേക്കാൾ ഉയർന്ന ശതമാനം ലൈസൻസുള്ള ഡ്രൈവർമാരുണ്ട്.

മൊത്തത്തിൽ, കൃത്യവും കാലികവുമായ പ്രതികരണങ്ങൾ നൽകുന്നതിന്, പ്രത്യേകിച്ച് Perplexity-യുമായി ബന്ധപ്പെട്ട ഉപയോഗ കേസുകളിൽ, ഞങ്ങളുടെ PPLX മോഡലുകൾക്ക് gpt-3.5, llama2-70b എന്നിവയുമായി പൊരുത്തപ്പെടാനും മറികടക്കാനും കഴിയുമെന്ന് മൂല്യനിർണ്ണയ ഫലങ്ങൾ തെളിയിക്കുന്നു.

Perplexity-യുടെ ഓൺലൈൻ മോഡലുകൾ ആക്‌സസ് ചെയ്യുന്നു

pplx-api ബീറ്റയിൽ നിന്ന് ജനറൽ പബ്ലിക് റിലീസിലേക്ക് മാറിക്കൊണ്ടിരിക്കുകയാണെന്ന് പ്രഖ്യാപിക്കുന്നതിൽ ഞങ്ങൾക്ക് അതിയായ സന്തോഷമുണ്ട്! ഞങ്ങളുടെ pplx-7b-online, pplx-70b-online മോഡലുകൾ pplx-api വഴി ആക്‌സസ് ചെയ്യാൻ കഴിയുന്നത് ഇതാദ്യമാണ്. കൂടാതെ, ഞങ്ങളുടെ pplx-7b-chat, pplx-70b-chat മോഡലുകൾ ആൽഫയിൽ നിന്നാണ്, ഇപ്പോൾ ഞങ്ങളുടെ ജനറൽ റിലീസ് വഴി ആക്‌സസ് ചെയ്യാവുന്നതാണ്.

ഇതോടൊപ്പം, ഞങ്ങൾ പുതിയ ഉപയോഗ അടിസ്ഥാനത്തിലുള്ള വിലനിർണ്ണയ ഘടന അവതരിപ്പിക്കുന്നു. മിന്നൽ വേഗത്തിലുള്ള അനുമാനം നൽകാൻ NVIDIA H100s ഉപയോഗിക്കുന്ന ഞങ്ങളുടെ അത്യാധുനിക ഇൻഫ്രാസ്ട്രക്ചർ ഞങ്ങളുടെ ഉപയോക്താക്കൾ പ്രയോജനപ്പെടുത്തുന്നതിൽ ഞങ്ങൾ സന്തുഷ്ടരാണ്. Pro ഉപയോക്താക്കൾക്ക് ആവർത്തിച്ചുള്ള $5 പ്രതിമാസ pplx-api ക്രെഡിറ്റുകൾ ലഭിക്കും. മറ്റ് എല്ലാ ഉപയോക്താക്കൾക്കും, ഉപയോഗത്തെ അടിസ്ഥാനമാക്കി വിലനിർണ്ണയം നിർണ്ണയിക്കപ്പെടും. ഒരു Pro ഉപയോക്താവായി സൈൻ അപ്പ് ചെയ്യാൻ, 여기서 클릭하세요. വാണിജ്യ അന്വേഷണങ്ങൾക്ക് api@perplexity.ai എന്ന വിലാസത്തിൽ ബന്ധപ്പെടുക.

അധിക വിഭവങ്ങൾ:

• pplx-api ഉപയോഗിച്ച് ആരംഭിക്കുക 여기.
• Perplexity Labs ഉപയോഗിച്ച് ഞങ്ങളുടെ ഓൺലൈൻ മോഡലുകൾ സൗജന്യമായി പരീക്ഷിച്ചു നോക്കൂ.
• pplx-api ഡോക്യുമെന്റേഷൻ വഴി ഞങ്ങളുടെ API-യെക്കുറിച്ച് കൂടുതലറിയുക.
• മികച്ച ഉത്തര എഞ്ചിൻ നിർമ്മിക്കുന്ന ഉയർന്ന ആഘാതമുള്ള, ഉയർന്ന വേഗതയുള്ള ഒരു ടീമിൽ പ്രവർത്തിക്കാൻ താൽപ്പര്യമുണ്ടോ? ഞങ്ങളോടൊപ്പം ചേരൂ!
• ഞങ്ങളുടെ വളരുന്ന Discord കമ്മ്യൂണിറ്റിയിൽചേരൂ!

സംഭാവന ചെയ്തവർ:

Lauren Yang, Kevin Hu, Aarash Heydari, Gradey Wang, Dmitry Pervukhin, Nikhil Thota, Alexandr Yarats, Max Morozov, Denis Yarats