Ontmoet nieuwe Sonar: Een Bliksemsnel Model Geoptimaliseerd voor Perplexity Zoeken

Vanaf vandaag kunnen alle Perplexity Pro-gebruikers de nieuwste versie van Sonar uitproberen, het interne model van Perplexity dat is geoptimaliseerd voor antwoordkwaliteit en gebruikerservaring. Gebouwd bovenop Llama 3.3 70B, is Sonar verder getraind om de feitelijkheid en leesbaarheid van antwoorden te verbeteren voor de standaard zoekmodus van Perplexity.

Door uitgebreide online A/B-tests hebben we ontdekt dat Sonar modellen in zijn klasse aanzienlijk overtreft, zoals GPT-4o mini en Claude 3.5 Haiku, terwijl het de prestaties van grensmodellen zoals GPT-4o en Claude 3.5 Sonnet voor gebruikerstevredenheid nauw benadert of overtreft. Aangedreven door de Cerebras-infrastructuur voor inferentie, draait Sonar met een bliksemsnelle snelheid van 1200 tokens per seconde — wat bijna onmiddellijke antwoordgeneratie mogelijk maakt.

Perplexity-gebruikers geven de voorkeur aan Sonar

We hebben uitgebreide online A/B-tests van Sonar uitgevoerd om de gebruikerstevredenheid te meten — een belangrijke maatstaf die sterk correleert met productgebruik en retentie. Deze maatstaf vangt hoe tevreden en betrokken gebruikers zijn bij het stellen van vragen op Perplexity.

Onze evaluaties tonen aan dat Sonar zowel GPT-4o mini als Claude 3.5 Haiku met een aanzienlijke marge overtreft. We hebben Sonar ook vergeleken met duurdere grensmodellen en ontdekten dat het Claude 3.5 Sonnet overtreft, terwijl het de prestaties van GPT-4o tot een fractie van de prijs en meer dan 10x de snelheid nauw benadert.

Bliksemsnelle Snelheid Maakt Onmiddellijke Antwoorden Mogelijk

Aangedreven door de infrastructuur voor inferentie van Cerebras, levert Sonar antwoorden met bliksemsnelle snelheden, waarbij een decodeerdoorvoer wordt bereikt die bijna 10x sneller is dan vergelijkbare modellen zoals Gemini 2.0 Flash. Dit maakt bijna onmiddellijke antwoordgeneratie mogelijk, wat Sonar ideaal maakt voor snelle informatieopvraging of gedetailleerde vraag- en antwoordtoepassingen.

Sonar Blink Uit in het Geven van Feitelijke en Hoogwaardige Antwoorden

We hebben Sonar geoptimaliseerd op twee kritieke dimensies die sterk correleren met gebruikerstevredenheid — feitelijkheid van antwoord en leesbaarheid.

• Feitelijkheid van Antwoord: Meet hoe goed een model vragen kan beantwoorden met feiten die zijn gegrond in zoekresultaten, en zijn vermogen om conflicterende of ontbrekende informatie op te lossen

• Leesbaarheid: Meet het vermogen van een model om een beknopt en gedetailleerd antwoord te geven met het passende gebruik van markdown-opmaak voor het organiseren van tekst

Onze resultaten tonen aan dat Sonar deze aspecten aanzienlijk verbetert vergeleken met het basismodel, Llama 3.3 70B Instruct, en zelfs andere grensmodellen in deze belangrijke gebieden overtreft†.

Bovendien blinkt Sonar ook uit boven modellen in zijn klasse zoals GPT-4o mini en Claude 3.5 Haiku op academische benchmarks die de gebruikersinstructie volgen en kennis van de wereld meten.

• IFEval: Meet hoe goed een model zich houdt aan door de gebruiker verstrekte instructies

• MMLU: Evalueert wereldkennis over diverse domeinen

Hoe Sonar Vragen Beantwoordt

Hoe ziet verhoogde feitelijkheid en leesbaarheid er in de praktijk uit? Vergelijk deze zoekopdrachten, die zijn uitgevoerd op zowel Sonar als andere modellen, om het verschil te zien.

Gebruik Sonar Vandaag

Sonar blinkt uit in het geven van snelle en nauwkeurige antwoorden, waardoor het een geweldig model is voor dagelijks gebruik. Perplexity Pro-gebruikers kunnen Sonar hun standaardmodel maken in hun instellingen. Het kan ook worden gebruikt via het Sonar API-aanbod*.

Voetnoten

• †Deze evaluaties worden beoordeeld op een schaal van 0 tot 100, waarbij hoger beter is

• *Het Sonar-model dat via de API wordt bediend, werkt nog niet op de Cerebras-infrastructuur voor inferentie, maar het komt binnenkort uit