隆重推出 Sonar：专为 Perplexity 搜索优化的极速模型

从今天起，所有 Perplexity Pro 用户都将能够试用最新版本的 Sonar，这是 Perplexity 内部开发的模型，专为优化答案质量和用户体验而设计。Sonar 基于 Llama 3.3 70B 构建，经过进一步训练，可增强 Perplexity 默认搜索模式下的答案准确性和可读性。

通过全面的在线 A/B 测试，我们发现 Sonar 在用户满意度方面明显优于同类模型（如 GPT-4o mini 和 Claude 3.5 Haiku），并能紧随甚至超过 GPT-4o 和 Claude 3.5 Sonnet 等前沿模型的表现。在 Cerebras 推理基础设施的支持下，Sonar 以每秒 1200 个 token 的极快速度运行，几乎实现了即时生成答案。

我们对 Sonar 进行了广泛的在线 A/B 测试，以衡量用户满意度——这是一项与产品使用率和留存率密切相关的关键指标。该指标体现了用户在 Perplexity 上提问时的满意度和参与度。

我们的评估显示，Sonar 大幅超越了 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对比，发现它优于 Claude 3.5 Sonnet，同时在仅需极低成本且速度提升超过 10 倍的情况下，其性能表现紧追 GPT-4o。

在 Cerebras 推理基础设施的驱动下，Sonar 能够以极快速度提供答案，解码吞吐量比 Gemini 2.0 Flash 等同类模型快近 10 倍。这实现了几乎即时的答案生成，使 Sonar 成为快速信息检索或详细问答场景的理想选择。

我们从与用户满意度高度相关的两个关键维度对 Sonar 进行了优化——即答案的准确性和可读性。

答案准确性：衡量模型使用基于搜索结果的事实来回答问题的能力，以及处理相互冲突或缺失信息的能力。

可读性：衡量模型提供简洁、详细答案的能力，以及通过 Markdown 格式有效地组织文本的能力。

我们的结果表明，与基础模型 Llama 3.3 70B Instruct 相比，Sonar 在这些方面有了显著改进，甚至在这些关键领域超越了其他前沿模型†。

此外，在衡量用户指令遵循能力和世界知识的学术基准测试中，Sonar 也优于 GPT-4o mini 和 Claude 3.5 Haiku 等同类模型。

IFEval：衡量模型对用户指令的遵循程度。

MMLU：评估跨不同领域的世界知识。

更高的准确性和可读性在实际应用中是什么样的？请对比这些在 Sonar 和其他模型上进行的搜索，看看其中的差异。

Sonar 擅长提供快速准确的答案，是一款非常适合日常使用的模型。Perplexity Pro 用户可以在设置中将 Sonar 设为默认模型。它也可以通过 Sonar API* 使用。

†这些评估按 0 到 100 分进行评分，分数越高表现越好。

*通过 API 提供的 Sonar 模型目前尚未运行在 Cerebras 推理基础设施上，但即将推出。