Perplexity AI模型详解:这款AI搜索引擎如何组织生成答案
如果只是浅层使用Perplexity AI,看到的往往只是一个简单的输入框和带脚注的答案。但在后台,实际发生的事情要复杂得多:Perplexity将自有的轻量搜索模型,与业内一些最强大的大型语言模型结合起来使用,并根据具体问题、订阅档位和所选模式,自动选出不同的组合方式。本文将用通俗易懂的方式解释这背后的技术原理、目前有哪些模式,以及各个模式分别适合在什么情况下使用——完全不需要具备计算机专业背景。
基本原理:网络搜索加语言模型,而非单纯凭记忆回答
为什么单靠语言模型是不够的
一款大型语言模型,比如常见聊天机器人背后所使用的模型,是在某个特定时间点用海量文本训练而成的。此后,它虽然拥有大量的通用知识,但无法自动获取新发生的事件、最新数据或刚刚发布的研究成果。如果向这样的模型询问当前的基准利率,或者昨天刚通过的一项法律修订,它可能会如实说明自己并不知道,但更糟糕的情况是——它会编造出一个听起来合理、但实际上并不正确的答案。Perplexity正是通过一套两阶段流程来解决这个问题。
协同运作:检索与文本生成的结合
在第一阶段,即所谓的检索(Retrieval)阶段,Perplexity会搜索当前的网页、新闻文章、专业门户网站,有时还包括学术数据库,寻找与所提问题相关的内容。这些搜索结果会经过筛选,按相关性和可信度排序,然后作为素材提交给语言模型。只有到了第二阶段,语言模型才会将这些搜索结果整合成一段通顺、连贯的回答,并为每一句陈述配上一个指向具体来源的脚注。可以把这个过程想象成一位效率极高的调研助理:先阅读十篇专业文章,然后口述一份附带信息来源的总结——只不过这整个过程只需要短短几秒钟。
并不是语言模型本身“知道”一个时事问题的答案,而是它实时从刚刚检索到的资料中提取信息,并将其转化为通俗易懂的语言。
具体是哪些模型在背后运作?
处理常规请求的自有Sonar模型
对于大多数日常请求,Perplexity使用的是自主研发的Sonar系列模型。这些模型经过专门训练,能够高效解析网络搜索结果,并迅速将其转化为一段干净整洁、带有来源标注的答案。自研模型的主要优势在于速度和成本效益——对于简单的事实性问题,并不需要动用最耗费资源的顶级模型。
根据订阅档位调用外部顶级模型
对于更复杂的问题、更深入的分析,或用户明确提出的需求,Perplexity还会额外调用其他大型厂商的外部语言模型——具体调用哪些模型,取决于可用性和订阅档位,例如OpenAI(GPT)、Anthropic(Claude)和Google(Gemini)旗下的最新模型。Perplexity自身并不研发这些模型,而是通过编程接口将它们接入,并与自身的搜索技术结合使用。Pro用户通常可以在高级设置中有针对性地选择由哪个模型来生成回答,而免费版则会在后台自动完成这一选择。
Model Council:同时对比多个顶级模型
对于Max订阅用户,还有一项特殊功能,通常被称为“Model Council(模型议会)”:Perplexity会让多个领先的语言模型同时处理同一个问题,并将各自结果进行对照,总结出这些模型在哪些方面意见一致、哪些方面存在分歧,以及每个模型分别在哪些角度表现得尤为出色。对普通用户来说,这通常是不必要的额外开销;但对于希望为一项真正重要且复杂的决策提供更充分依据的人来说,这种多模型对比可以带来有价值的额外视角。
Deep Research:多步骤、自主推进的深度调研
此外还有一种名为Deep Research(深度调研)的模式,在这种模式下,Perplexity不会只进行一次搜索,而是自主规划连续多个搜索步骤:先建立整体概览,再针对具体的子问题逐一深入调研,最终生成一份篇幅较长、结构清晰、附带大量信息来源的报告。这种模式所需时间明显长于普通请求,但对于市场分析等较为复杂的主题,能够给出更扎实的结果。
各模式与档位对比
| 模式/档位 | 适用起点 | 具体运作方式 | 典型用途 |
|---|---|---|---|
| 标准搜索(Sonar) | 免费版 | 快速网络搜索,配以简洁且附有来源标注的答案 | 日常事实性问题 |
| Pro Search(可选模型) | Pro | 用户可指定由某个外部顶级模型生成文本 | 较高要求的调研、文字草稿 |
| Deep Research | 免费版(有限)/Pro(额度更宽松) | 多步骤、自主推进的调研,附详细总结报告 | 市场概览、较全面的主题调研 |
| Model Council | Max | 多个顶级模型同时处理同一问题并进行对比 | 影响重大的关键决策 |
日常与职场中的应用实例
案例1:日常生活中的快速事实查询
某用户想知道德国当前的通货膨胀率。标准搜索能在几秒钟内给出简短答案,附带具体数值以及联邦统计局相应公告的链接——比自己逐一打开多个网页要快得多。
案例2:附带信息来源的房贷利率调研
一名从事房地产融资的职员想为一份内部备忘录粗略了解当前房贷利率的走势。他提出关于十年期房贷利率大致水平的问题,并要求显示所依据的信息来源,例如金融门户网站的最新报道或利率统计数据。这里需要注意:Perplexity能提供有据可查的良好初步参考,但不能替代具有约束力的贷款咨询,也不能替代当天最新的银行报价查询。不过,在正式咨询前进行一次快速、有据可查的初步了解,其实用价值是真实存在的。
案例3:总结较长的市场报告或租赁合同
一位物业管理者将一份较长的市场报告或数页的租赁合同以PDF形式上传到某个Space中,随后可以针对文档提出具体问题,例如关键要点、终止期限或特定指标。Perplexity会同时参考上传的文档以及当前的网络搜索结果来对内容进行梳理——但这并不能替代专业人员的法律审核。
案例4:借助多重视角为重要谈话做准备
在做出一项重要决策之前,例如企业内部的战略方向选择,Model Council模式可以提供帮助:三个不同的顶级模型分别处理同一个问题,总结结果会显示出这些判断在哪些方面一致、哪些方面存在分歧。这不能替代专业咨询,但能提供比单一AI回答更广阔的视角。
案例5:快速翻译并解读外语资料
由于许多专业文章和研究报告只有英文版本,Perplexity可以直接将外语来源的内容纳入中文(或德语)总结之中,并附上原文链接。这往往省去了另外使用一个翻译工具的麻烦。
这项技术对回答可靠性意味着什么?
网络搜索与语言模型相结合的方式,大幅降低了凭空编造内容的风险,因为理想情况下每一条陈述都可以追溯到一个真实的信息来源。但这并不意味着完全杜绝错误:作为依据的网络资料本身也可能过时、不完整,甚至本来就是错的,而语言模型在总结时也可能丢失一些细微差别。因此,黄金法则始终是:信息来源标注能极大地方便核实工作,但不能替代自己的批判性判断,尤其是在涉及商业或财务相关的重要决策时。
决策越重要,就越值得点开脚注背后的原始来源看一看——而不只是停留在AI给出的总结上。
常见问题(FAQ)
Perplexity到底用的是哪个AI模型?
并不存在单一固定的模型。Perplexity将自有的Sonar系列模型与多家厂商的外部顶级模型结合使用,并根据具体请求、模式和订阅档位,自动或按用户要求选择合适的组合。
Pro Search和Deep Research有什么区别?
Pro Search在一次交互中即可回答问题,而Deep Research会自主规划连续多个搜索步骤,并最终给出一份更详尽、结构化的报告。
个人用户值得使用Model Council模式吗?
对于简单的日常问题,通常不值得,因为额外的开销带来的增益有限。但在真正重要、影响深远的问题上,从多个模型的视角综合判断确实是有意义的。
我可以完全信赖信息来源标注吗?
不能。脚注能极大地方便核实工作,但不能替代自己对信息来源的判断,尤其是当决策涉及财务或法律后果时。
为什么Perplexity对同一个问题有时会给出不同的回答?
由于后台会根据当时的负载情况、订阅档位以及检索到的资料来源,调用不同的模型和搜索结果,回答在表达方式或侧重点上出现细微差异是正常现象。
关于Perplexity AI整体产品、价格体系及数据保护方面的介绍,可参见服务商总览页面:Perplexity AI:自带信息来源标注的AI搜索引擎全解析。与其他主要AI服务商的对比,可参见总览页面:AI模型对比总览。