24.04.2026 11:01
🤖 Perplexity раскрыла рецепт посттрейна поискового агента Исследовательская команда ИИ-поисковика опубликовала техотчёт
🤖 Perplexity раскрыла рецепт посттрейна поискового агента
Исследовательская команда ИИ-поисковика опубликовала техотчёт о создании веб-поискового агента на открытых моделях Qwen3.5-122B-A10B и Qwen3.5-397B-A17B.
Ключевые метрики:
| Модель | Точность на FRAMES | Стоимость за запрос |
|--------|-------------------|--------------------|
| Qwen3.5-397B-SFT-RL | 73,9% | $0,02 |
| GPT-5.4 | 67,8% | $0,085 |
| Sonnet 4.6 | 62,4% | $0,153 |
Пайплайн обучения:
- Stage 1 (SFT) — закрепление целевого поведения: следование инструкциям, формат ответа, языковая согласованность, корректные отказы
- Stage 2 (RL с GRPO) — оттачивание точности поиска и эффективности вызовов инструментов, без затрагивания первого этапа
Совместная оптимизация целей в один этап ломает либо качество поиска, либо продакшен-требования.
Данные для RL:
- 90% — синтетические многошаговые вопросы с верифицируемыми ответами (цепочка связанных сущностей, множественная верификация)
- 10% — диалоги общего назначения с атомарными рубриками для проверки формата
Система вознаграждений использует шлюз по корректности: скор Bradley-Terry-модели учитывается только при бинарном сигнале = 1, что блокирует взлом награды стилистически удачной репликой при фактической ошибке.
Результаты: При 1 вызове инструмента Qwen3.5 даёт 57,3% (+5,7 п. к GPT-5.4, +4,7 к Sonnet 4.6). Разрыв растёт в диапазоне 2–7 вызовов — рабочем режиме продакшена.
Perplexity отмечает, что внутренние оптимизации (KV-кэш, префиксное кэширование, квантование MoE) снижают реальную стоимость ещё сильнее.
🧠 Нейросети и Технологии. Подписаться
Исследовательская команда ИИ-поисковика опубликовала техотчёт о создании веб-поискового агента на открытых моделях Qwen3.5-122B-A10B и Qwen3.5-397B-A17B.
Ключевые метрики:
| Модель | Точность на FRAMES | Стоимость за запрос |
|--------|-------------------|--------------------|
| Qwen3.5-397B-SFT-RL | 73,9% | $0,02 |
| GPT-5.4 | 67,8% | $0,085 |
| Sonnet 4.6 | 62,4% | $0,153 |
Пайплайн обучения:
- Stage 1 (SFT) — закрепление целевого поведения: следование инструкциям, формат ответа, языковая согласованность, корректные отказы
- Stage 2 (RL с GRPO) — оттачивание точности поиска и эффективности вызовов инструментов, без затрагивания первого этапа
Совместная оптимизация целей в один этап ломает либо качество поиска, либо продакшен-требования.
Данные для RL:
- 90% — синтетические многошаговые вопросы с верифицируемыми ответами (цепочка связанных сущностей, множественная верификация)
- 10% — диалоги общего назначения с атомарными рубриками для проверки формата
Система вознаграждений использует шлюз по корректности: скор Bradley-Terry-модели учитывается только при бинарном сигнале = 1, что блокирует взлом награды стилистически удачной репликой при фактической ошибке.
Результаты: При 1 вызове инструмента Qwen3.5 даёт 57,3% (+5,7 п. к GPT-5.4, +4,7 к Sonnet 4.6). Разрыв растёт в диапазоне 2–7 вызовов — рабочем режиме продакшена.
Perplexity отмечает, что внутренние оптимизации (KV-кэш, префиксное кэширование, квантование MoE) снижают реальную стоимость ещё сильнее.
🧠 Нейросети и Технологии. Подписаться