隆重介紹全新 Sonar：針對 Perplexity 搜尋優化的極致速度模型

從今天起，所有 Perplexity Pro 用戶都能體驗最新版本的 Sonar，這是 Perplexity 自研的模型，針對答案品質與用戶體驗進行了優化。Sonar 建立在 Llama 3.3 70B 的基礎上，並經過額外訓練，以增強 Perplexity 預設搜尋模式中答案的真實性與可讀性。

透過全面的線上 A/B 測試，我們發現 Sonar 的表現顯著優於同類模型（如 GPT-4o mini 和 Claude 3.5 Haiku），同時在用戶滿意度方面與前沿模型（如 GPT-4o 和 Claude 3.5 Sonnet）表現相當或更勝一籌。Sonar 由 Cerebras 推理基礎設施提供支援，運作速度高達每秒 1200 個 token，能實現近乎即時的答案生成。

我們針對 Sonar 進行了廣泛的線上 A/B 測試，以衡量用戶滿意度——這是一項與產品使用率和留存率強相關的關鍵指標。該指標旨在捕捉用戶在 Perplexity 上提問時的滿意度與參與度。

我們的評估結果顯示，Sonar 以顯著優勢超越了 GPT-4o mini 和 Claude 3.5 Haiku。我們也將 Sonar 與價格較高的前沿模型進行了比較，發現其表現優於 Claude 3.5 Sonnet，並以僅僅一小部分的成本和超過 10 倍的速度，緊追 GPT-4o 的表現。

由 Cerebras 推理基礎設施驅動的 Sonar 能以極致速度提供解答，其解碼吞吐量比 Gemini 2.0 Flash 等同類模型快近 10 倍。這實現了近乎即時的答案生成，使 Sonar 成為快速資訊檢索或詳細問答應用場景的理想選擇。

我們針對兩個與用戶滿意度密切相關的關鍵維度對 Sonar 進行了優化——答案的真實性與可讀性。

答案真實性：衡量模型使用基於搜尋結果的事實回答問題的能力，以及處理衝突或缺失資訊的能力。

可讀性：衡量模型提供簡潔詳細答案的能力，並適當使用 Markdown 格式來組織文字。

我們的結果證實，與基礎模型 Llama 3.3 70B Instruct 相比，Sonar 在這些方面有顯著提升，甚至在這些關鍵領域超越了其他前沿模型†。

此外，Sonar 在衡量用戶指令遵循能力與世界知識的學術基準測試中，也超越了同類模型（如 GPT-4o mini 和 Claude 3.5 Haiku）。

IFEval：衡量模型對用戶所提供指令的遵循程度。

MMLU：評估跨領域的世界知識。

提高真實性與可讀性在實際應用中表現如何？請比較這些分別使用 Sonar 與其他模型進行的搜尋，以查看其中的差異。

Sonar 擅長提供快速且準確的答案，使其成為日常使用的絕佳模型。Perplexity Pro 用戶可以在設定中將 Sonar 設為預設模型。它也可以透過 Sonar API 服務* 使用。

†這些評估採用 0 到 100 的評分標準，分數越高越好。

*透過 API 提供的 Sonar 模型尚未在 Cerebras 推理基礎設施上執行，但即將推出。