X产业23:03Perplexity@perplexity_ai双子座4号氩在WANDR上创造了新纪录。 它现在可以在Perplexity Pro和Max订阅者。https://t.co/n1TyI9RhBX薄雾 采集读全文↗
X产业01:03Perplexity@perplexity_ai我们用前沿模型攻击SPACE来测试它。在escape SPACE:第一部分中,在VM中使用root的9个模型配置进行了108次escape尝试,没有一次到达主机。 阅读研究:https://t.co/UD6qHuCuO4薄雾 采集读全文↗
X产业02:03Perplexity@perplexity_aiNVIDIA的Nemotron 3.5 Super VL现已在Perplexity Pro和Max订户以及Agent API中可用。https://t.co/fMVGtyZFFQ薄雾 采集读全文↗
X产业01:03Perplexity@perplexity_ai我们正在开源SPACE,这个沙盒平台运行着Perplexity Computer中的每一个任务。 SPACE为每个代理任务提供了自己的爆竹微虚拟机,并控制来自虚拟机外部的凭据和出站流量。 现在可以在Apache 2.0中使用:https://t.co/DzSmq6o1xA薄雾 采集读全文↗
X产业01:03Perplexity@perplexity_aiSPACE是Perplexity代理运行时平台的第一个组件。我们将其开源,以提高代理产品的安全标准。 阅读博客:https://t.co/miVD6FecqZ薄雾 采集读全文↗
X产业01:01Perplexity@perplexity_ai超快版本的GPT-6 Astra和SOL 6.1现在可在Perplexity Computer for Max订阅者。 两者都能更快地生成令牌,更快地完成长时间的计算机任务。 在自定义下选择Astra或SOL 6.1,然后将速度设置为超快。https://t.co/g428a2Q0SC薄雾 采集读全文↗
X产业00:02Perplexity@perplexity_ai我们的沙盒SPACE每天处理数百万次执行,错误率低于0.0002%。 我们将分享它如何使用加密身份将请求绑定到正确的执行,因为沙箱暂停,恢复和移动。 阅读更多:https://t.co/jH6TX2cgI9薄雾 采集读全文↗
X产业00:02Perplexity@perplexity_ai终端和文件监视器的寿命可能超过它们的打开请求。一旦接收方安装了新的执行标识,SPACE就会停止旧的流。符合条件的操作可以重新连接一次,再次通过身份检查。 阅读文章:https://t.co/jH6TX2cgI9 https://t.co/BQWAdFZK3i薄雾 采集读全文↗
X产业00:02Perplexity@perplexity_ai每个请求都携带短期的、签名的证据,证明哪个执行可以处理它,以及允许哪些访问。 接收工作线程根据自己的运行时记录检查该标识,并在转发之前拒绝不匹配。https://t.co/H6fWrAmb5p薄雾 采集读全文↗
X产业02:05Perplexity@perplexity_ai因为每个沙箱都有一个真正的签出,代理使用grep和标准文件工具来搜索它,而不是依赖于广泛的语义搜索。 在150个金融文档问题的内部基准测试中,这种方法的答案准确率达到了0.627,而语义搜索的准确率约为0.37。https://t.co/w1nmA0N8yz薄雾 采集读全文↗
X产业02:05Perplexity@perplexity_ai每个项目的单个长寿命沙箱需要为峰值负载和数月的正常运行时间做好准备。 相反,存储库驻留在支持s3的存储上,每个代理运行在自己的临时沙箱中,因此崩溃只会丢失未提交的工作。https://t.co/dglC3ZI6AX薄雾 采集读全文↗
X产业02:05Perplexity@perplexity_ai这就是我们如何将Perplexity Projects背后的文件系统构建为代理的Git forge。 每个代理在自己的沙箱中工作,并向共享存储库提交,在该存储库中,人员和其他代理可以跨会话构建其工作。 阅读更多:https://t.co/jcrTptb2IW https://t.co/dXnhroO4mg薄雾 采集读全文↗
X产业00:10Perplexity@perplexity_ai在 MADQA(基于 800 份 PDF 的 500 个问题)上,它达到 92.4%,在各检索器中成绩最佳。https://t.co/uxW8LDau2c薄雾 采集读全文↗
X产业00:09Perplexity@perplexity_ai我们发布了 pplx-embed-v2-late——两款后期交互(late-interaction)嵌入模型,可检索文本、图片和页面,并采用共享嵌入空间以支持跨模型查询。 两款模型均达到前沿性能,并已在 Hugging Face 上公开提供。 https://t.co/AM7YEyQkKE https://t.co/fR8kaYmHs1薄雾 采集读全文↗
X产业00:10Perplexity@perplexity_ai在智能体搜索中,一个使用该 9B 模型的 GPT-OSS-120B 智能体正确回答了 64.0% 的 BrowseComp+ 问题,比排名第二的 ColBERT 模型高 4.9 个百分点,且搜索次数少于所有基线。https://t.co/hFngH5ES7D薄雾 采集读全文↗
X产业00:10Perplexity@perplexity_ai在 Q2D-Web(约 7 万条源自生产环境的搜索查询,覆盖 1.9 亿篇网页文档)上,9B 和 0.6B 模型的 Recall@1000 分别达到 74.8% 和 73.6%,而 nemotron-embed-8b 为 69.3%。https://t.co/FwltQP6jGN薄雾 采集读全文↗
X产业00:12Perplexity@perplexity_aiPerplexity Computer现在直接在您的线程中创建交互式图表和可视化。 对于金融数据,Computer使用@tradingview轻量级图表来显示烛台、成交量和移动平均线。https://t.co/AItBm2tN07薄雾 采集读全文↗
X产业03:07Perplexity@perplexity_ai在ConTEB上,预览版在所有测试模型中平均得分最高(nDCG@10),尽管并非所有任务都如此。 它在块检索方面也优于voyage-context-4,同时每个向量使用的存储空间减少了8倍:1 KB (1024 dims, int8) vs 8 KB (2048, float32)。https://t.co/PsyAwyU0Zo薄雾 采集读全文↗
X产业03:07Perplexity@perplexity_ai我们构建了一种新的方法来训练上下文嵌入模型,该模型以整个文档的视角对文档的每个块进行编码。 pplx-embed-v2-context-9b-preview在ConTEB和@turbopuffer的新的私有上下文工作台上设置了一个新的艺术状态。 https://t.co/tkBUEjWVio https://t.co/yz1eVPrJjR薄雾 采集读全文↗