迎接新Sonar：为Perplexity搜索优化的极速模型

从今天起，所有Perplexity专业用户都可以尝试最新版本的Sonar，这是Perplexity的内部模型，专为回答质量和用户体验优化。基于Llama 3.3 70B构建，Sonar经过进一步训练，增强了对Perplexity默认搜索模式中的答案的事实性和可读性。

通过全面的在线A/B测试，我们发现Sonar显著优于其同类模型，如GPT-4o mini和Claude 3.5 Haiku，同时在用户满意度方面与前沿模型如GPT-4o和Claude 3.5 Sonnet的表现相匹配或超越。依托Cerebras推理基础设施，Sonar以每秒1200个标记的速度运行，实现了几乎即时的答案生成。

Perplexity用户偏爱Sonar

我们进行了广泛的在线A/B测试来测量用户满意度——这是与产品使用和保留率强相关的关键指标。该指标捕捉用户在Perplexity提问时的满意度和参与度。

我们的评估显示，Sonar以显著优势超过了GPT-4o mini和Claude 3.5 Haiku。我们还将Sonar与更昂贵的前沿模型进行了比较，发现它优于Claude 3.5 Sonnet，同时以更低的价格和超过10倍的速度接近GPT-4o的性能。

极速速度实现即时回答

依托Cerebras推理基础设施，Sonar以极快的速度提供答案，解码吞吐量几乎比类似模型如Gemini 2.0 Flash快10倍。这实现了几乎即时的答案生成，使Sonar在快速信息检索或详细问题解答方面理想。

Sonar擅长提供事实性和高质量答案

我们在两个与用户满意度强相关的关键维度上优化了Sonar——答案的事实性和可读性。

• 答案事实性：衡量模型使用搜索结果中的事实回答问题的能力，以及解决信息冲突或缺失的能力

• 可读性：衡量模型提供简洁详细答案的能力，适当使用Markdown格式组织文本

我们的结果表明，与基础模型Llama 3.3 70B Instruct相比，Sonar显著提高了这些方面，并在这些关键领域超越了其他前沿模型†。

此外，在衡量用户指令执行和世界知识的学术标准上，Sonar也超过同类模型，如GPT-4o mini和Claude 3.5 Haiku。

• IFEval：衡量模型遵循用户提供指令的情况

• MMLU：评估跨不同领域的世界知识

Sonar如何回答问题

在实践中，增强事实性和可读性是什么样的？比较这些搜索，我们在Sonar和其他模型上进行，以观察差异。

今日使用Sonar

Sonar擅长提供快速准确的答案，使其成为日常使用的绝佳模型。Perplexity专业用户可以在其设置中将Sonar设为默认模型。它还可以通过Sonar API提供*使用。

脚注

• †这些评估评分范围为0到100，分值越高越好

• *通过API提供的Sonar模型尚未在Cerebras推理基础设施上运行，但即将推出