Perplexity 推出 GPT-6.2,引入 Astra 和 Sol
Perplexity 于 11 月 17 日宣布,GPT-6.2 Astra 和 GPT-6.2 Sol 已登陆 Search 和 Computer,并报告其 WANDR 分数分别为 0.783 和 0.746。此次 Perplexity GPT-6.2 推出为用户增加了模型选择,同时也带来了该公司所称的研究性能提升证据。不过,这些数字描述的是 Perplexity 自身的评测,而非在日常工作中经过独立验证的结果。
核心比较在于更高的报告质量与获得该质量所需资源之间的权衡。Astra 在公布分数上领先 Sol,而 Sol 的基准任务成本据称显著更低。这两项结果都无法证明,哪款模型能为某位特定用户产出最有价值的最终成果。
OpenAI 另行发布了这些底层模型,将 Astra 定位为适合高难度项目,将 Sol 定位为适合日常工作的高效选择。Perplexity 的公告则涉及这些模型整合至其自身产品。这个区别很重要,因为模型的行为取决于周边的搜索工具、指令、执行设置和评估流程。
Perplexity GPT-6.2 推出带来了什么变化
Perplexity 增加了两个模型选项,但该公告并未表明每个账户都能获得完全相同的访问权限或使用体验。
该公司的模型可用性更新提及了 Search 和 Computer。该更新还称,两款模型在 WANDR(Perplexity 用于评估研究工作的基准)上的表现均优于此前的 Astra 和 Sol 版本。基准测试是在特定条件下用于比较系统的既定评估任务。
对于现有用户而言,最直接的变化是产品可用性。这些模型被提供在用户已在使用的服务中,而无需另行使用独立应用或直接进行开发者集成。因此,对于在既有工作流中选择模型的人来说,这项公告具有实际意义。
但对于可用性仍需谨慎解读。这则简短公告并未完整说明订阅资格、地域限制、管理控制或不同应用界面的访问情况。读者不应仅因公告中出现了两项产品,就假定每个账户都可获得不受限制的访问权限。
这项整合也不同于 OpenAI 的底层模型发布。OpenAI 将 Astra 描述为面向高要求专业工作,将 Sol 描述为适合日常任务的高效选项。其 GPT-6.2 模型发布面向的是自身产品和开发者平台。
Perplexity 则在这些模型之外增加了另一层运行环境。该环境决定请求如何抵达模型、模型接收哪些信息,以及模型可执行哪些操作。因此,在一家提供商应用中获得的结果,并不能自动预测在另一家应用中的表现。
这种区别对研究工作尤其重要。模型可能能够针对不完整信息进行正确推理,却仍产出不完整的答案。反过来,应用可能检索到有用材料,但模型未能准确评估或纳入这些材料。
因此,这次推出为用户提供了模型与产品行为的新组合。它的实际价值取决于该组合能否改善已完成的任务,而不只是模型名称是否出现在选择器中。公布的基准测试提供了一个初步信号,但也存在局限。
这些局限应当影响预期,但不应掩盖新闻本身。Perplexity 表示,两款模型在其评估中均优于各自前代产品。尽管公告没有提供复现结果所需的一切信息,这仍是一项值得审视的具体产品声明。
访问权限和默认行为之间也存在区别。服务可以提供某个模型,却不一定会自动为每项请求选择它。仅凭公告无法确定,哪款模型会处理某位用户的下一次搜索或 Computer 任务。
对于评估这一变化的读者而言,有效的起点应当更聚焦。Perplexity 表示这些模型已在指定产品中可用,并报告了更高分数。至于其中任一模型是否会成为更好的日常选择,仍需依赖用户实际委派任务中的证据。
这个问题直接引向报告性能与资源使用之间的关系。这两款模型在 Perplexity 的比较中并不处于相同位置,将它们视为可互换的选择,会抹去该公告最有价值的区别。
Astra 领跑分数,Sol 则改变了权衡
公布的结果呈现的是更高综合性能与更低报告任务成本之间的选择,而非一个放之四海而皆准的赢家。
据 Perplexity 称,GPT-6.2 Astra 得分为 0.783,较该比较中所述的 GPT-6 Astra 提高了 0.095。GPT-6.2 Sol 得分为 0.746,较 GPT-6.1 Sol 提高了 0.065。这些仍是公司自行报告的结果,公告并未表明其已获得独立复现。
这些提升是绝对分数差异,不应被描述为相对百分比增长。同样,这些分数也不应被解读为任何一款模型能够成功完成相同比例的普通职场任务。
Astra 在公布指标上比 Sol 高出 0.037。该减法反映的是已发布分数之间的距离,但并未揭示哪些任务类别造成了差异、该差异出现得是否稳定,或用户是否能够察觉。
对于处理复杂调查的团队而言,若这一整体差异意味着更少的关键遗漏,那么即使幅度不大也可能很重要。对于常规工作而言,同样的差异可能几乎没有实际价值。这些是决策情景,而不是该公告所证明的结果。
Sol 所报告的较低任务成本引入了比较的另一面。当工作需要频繁重复,或用户需要探索多个可能答案时,资源需求较低的模型可能更具吸引力。然而,较低的基准成本并不能证明总体运营费用更低。
人工审核仍是总成本的一部分。如果审核人员必须重建缺失证据或纠正缺乏支持的结论,看似经济的一次运行也可能变得昂贵。如果额外投入未能改善交付成果,要求更高的模型同样可能浪费资源。
因此,压力最直接地落在设置模型默认选项的人身上。企业采购方、应用开发者和团队管理员需要理由来选择一个运行配置,而最高分本身无法提供这一理由。
针对复杂任务优化的默认设置,可能会为简单工作过度配置资源。针对经济性优化的默认设置,则可能让复杂任务需要再试一次。由于两种选择均出现在同一产品家族中,此次推出让这种资源分配问题更加显眼。
正是在这里,GPT-6.2 Astra 与 Sol 的比较成为一个工作流问题。相关区别在于,某项特定任务是否能从额外调查、更强的约束处理或更谨慎的综合分析中受益。该公告并未为用户划定这些边界。
基准任务成本也不同于客户账单。它是与某次评估运行相关的测量指标,而非订阅报价,也不是未来每项请求的标准费率。使用计费和产品限制仍需查阅单独的文档。
因此,Perplexity GPT-6.2 的推出支持一个谨慎结论:该公司报告了两种不同资源配置下的改进。它并未证明 Astra 总能值得额外资源投入,也未证明 Sol 能为每种工作负载提供最佳价值。
有意义的比较应将每款模型的输出与相同验收标准相联系:它是否完成了所要求的收集工作、是否为其主张提供支持,以及是否让审核人员减少工作量?相较于单一综合排名,这些问题更接近专业场景中的实际价值。
WANDR 测试研究工作是否经得起检验
WANDR 的相关性来自于它对有证据支撑的信息收集进行测试,但最新公告并未明确其具体评分配置。
WANDR 代表 Wide ANd Deep Research。其研究基准论文描述了 500 项任务,要求智能体发现符合条件的实体,并通过支持性来源进行调查。研究智能体是指使用工具收集信息并完成研究任务的系统。
这种任务结构比回答一个孤立问题更接近于构建一份有文档支撑的资料集合。一个有用的结果必须识别合适条目,并证实所要求的细节。仅仅生成一份有说服力的摘要,并不能满足底层研究问题的要求。
已发布的基准测试区分了精确率,即提交材料的正确性;以及召回率,即对所要求材料的覆盖程度。它还报告了 F1,即平衡这两个维度的指标。软评分与硬评分则区分部分进展和完全满足要求。
这些区别使得在缺少更多信息的情况下,很难解读最新的简略分数。该公告没有提供足够细节,无法将其标题数字可靠地映射到已发布基准中的每一项指标。读者应保留这一不确定性。
Perplexity 的广泛研究评估包含一个具体的高管任命任务。它要求提供任命证据,以及公司上市状态的独立证据。该示例说明,找到一家合适的公司并不必然意味着其记录已经完成。
对于分析师来说,这一区别具有实际后果。一条记录可能看似合理,却缺乏对某项关键条件的支持。如果缺失条件影响资格,尽管周边材料准确,整条记录仍可能无法使用。
设想一个比较潜在供应商的团队。研究助手可能识别出相关企业,并正确概述其产品。但如果团队还需要经核实的地域覆盖范围、当前认证或有文档佐证的兼容性,该任务仍可能失败。
这一情景说明了为何广泛研究难以用简单的质量判断来衡量。审核人员必须同时评估单项主张的正确性和资料集合的完整性。一份流畅的回答可能掩盖任一维度中的缺陷。
该基准此前的公开评估涵盖了 Perplexity、Anthropic、OpenAI 和其他提供商的系统。这提供了有用的竞争背景,但并不能确立这些公司最新产品之间的当前排名。历史配置不能替代条件一致的当代比较。
核心竞争仍然是有用输出与产出它所需努力之间的较量。另一家提供商的系统可能因其搜索访问能力、执行策略或证据处理方式而表现不同。模型身份只是该系统的一部分。
对于知识工作者而言,生成之后同样存在这个问题。当有人重新审视结论或与同事分享时,研究成果需要保持可检查性。一套个人知识库可为组织这些留存材料提供相关背景。
组织并未独立验证这一说法。不过,一项既有结论仍需有证据支撑其适用范围和日期。真正有用的关联,在于最初任务、所引用材料与最终决策之间的连续性。
因此,WANDR 的结果具有相关性,因为它们回应了可识别的研究需求。如果 Perplexity 能将最新分数与明确标识的指标、配置、任务集和可复现的对比关联起来,其价值将显著提高。
分数对比仍缺少关键环节
最主要的不确定性在于可比性:读者需要确切知道,报告中的各次运行之间有哪些条件保持不变。
公告提供了分数及相对前代产品的提升幅度,但并未给出完整的实验说明。任务选择、运行设置、重复运行次数以及具体采用的评分变体等问题仍未得到回答。这些缺失限制了人们能从这些数字中得出的结论。
基准测试可以是公开的,但某一具体结果仍可能难以复现。发布任务和评估软件能让外界进行审查;而要复现一项新分数,仍需要充分了解被评估系统的实际运行方式。
评估框架,即协调任务执行和评分的软件,也同样重要。指令、工具、执行限制或评分方式的变化,都可能影响测得的结果。一项清晰的对比应当将这些组成部分与模型版本一同说明。
推理强度也是一个变量,因为它决定系统为一项任务分配多少计算资源。Perplexity 早期的强度控制明确将 Computer 设置与智能水平和成本联系起来。这些控制选项说明,性能声明旁应同时列出配置。
如果设置不一致,更高的分数可能反映了多项变化共同作用。底层模型可能有所改进,周边系统可能有所改进,或此次运行获得了不同的资源。公告并未区分这些因素各自的贡献。
这并不会使产品结果失效。用户往往关注整个应用,而非孤立的模型。但这确实限制了任何将观察到的变化完全归因于新模型能力的说法。
历史基线的差异又增加了一层审慎理由。Perplexity 此前公开材料报告的 GPT-6 Astra 分数为 0.682。新分数及其所述的提升幅度意味着采用了不同的比较基线。现有公告并未解释这一差异。
不同的任务集、评分方法或配置,都可能导致基线不同。本文审查的证据无法确定究竟适用哪种解释。无论是凭空编造解释,还是将所有历史数字视为可以直接比较,都会造成误导。
对基准测试版本也应保持同样的克制。发布文章中给出的分数不应自动成为连续进展图表上的新数据点。这样的图表需要稳定的测量方式,或不同版本之间明确的衔接说明。
独立复现会增强证据力度,但必须复现相关条件。另一款应用使用相同模型,并不必然构成对 Perplexity 产品结果的复现。它回答的是另一种运行环境下的相关问题。
汇总分数还掩盖了结果分布。用户需要知道,改进是否覆盖高难度任务,还是集中于较简单的类别。更高的平均分可以与某个组织重视的具体工作中反复出现的失败并存。
最后,该公告并未证明生产环境中的可靠性。它没有展示在账户限制、不同搜索条件或反复的专业使用下,性能将如何变化。这些问题值得单独观察,而不应从基准测试中作出假设。
因此,恰当的怀疑立场应当是具体的。Perplexity 报告了改进,这一结果值得关注。但仅凭公开摘要,尚不足以证明其具有普遍优势、稳定的历史趋势,或能为每位客户带来可预测的回报。
下一步证据应将分数与完成的工作连接起来
下一步有价值的证据,应让对比能够复现、澄清访问方式,并展示用户是否能获得更好的完成交付物。
第一个信号应是一份详细说明,将公布的分数与可识别的评估配置关联起来。这意味着需要列明评分指标、基准测试版本、任务覆盖范围和相关运行设置,同时还应说明其与早期 Astra 结果之间的关系。
如果这些细节能够协调不同基线,并支持条件一致的对比,人们对改进的信心就会提高。如果它们揭示了实质不同的条件,这一说法则需要作出更狭义的解读。无论结果如何,都会帮助读者理解报告中的增益究竟意味着什么。
更完整的发布内容还应让失败案例可见。不完整的工作、缺乏支持的条目,或需要再次尝试的任务示例,都能帮助用户界定边界。仅展示成功案例,无法说明模型应在何处不再作为默认选择。
第二个信号是清晰、最新的产品文档,涵盖模型访问和选择。读者需要知道哪些账户可以使用各模型,以及选择适用于哪些位置。凡是会影响访问的管理限制和区域可用性,都应明确说明。
如果符合条件的账户在实际体验上与公告一致,那么这次发布就更容易被评估为一项实际的产品变化。如果可用性仍然有限或行为存在差异,读者应将广泛的模型支持与自己实际可获得的体验区分开来。
模型选择行为同样值得关注。可见的模型选项、自动选定的模型,以及大型任务中作为支持角色的模型,分别对应不同体验。澄清这些角色将帮助用户将观察到的结果归因于正确的配置。
第三个信号是来自条件匹配的专业工作负载的证据。最有说服力的示例,会比较被接受的输出、审核者修改、完成时间和反复出现的失败。它们应保留原始任务与验收标准,而不是在看到答案后改变测试。
对于买家而言,这类证据能将性能声明与运营决策联系起来。若结果能够减少修正工作,就会增强采用的理由。若结果仅改善呈现形式、却保留相同的证据缺口,其收益则更为有限。
对于开发者而言,对应的问题是模型是否改善了应用的可靠行为。如果下游步骤仍需频繁干预,那么更好的单次回答意义就会降低。真正相关的单位,是开发者必须支持的完整工作流。
这也进一步明确了 GPT-6.2 Astra 与 Sol 的对比。当额外资源能带来实质上更优、且被接受的工作成果时,Astra 才证明其价值。若 Sol 能以更小的资源负担满足同样要求,它就会更具吸引力。
不应从汇总分数中预设任何一种结果。有些任务会暴露差异,另一些则不会。一项站得住脚的评估应保留这些差异,而非强行将所有任务归入单一的模型排名。
未来数月,这些信号将决定 Perplexity GPT-6.2 的发布是否会改变日常模型选择。公告提供了重新审视既有默认选择的理由。更详细的证据将决定这种重新评估应推进到何种程度。
在更改团队默认选择之前,应在已有明确验收标准的工作上比较这些模型。保留请求、支撑来源、生成输出及审核者修改。既要纳入证据缺失会造成影响的任务,也要纳入额外强度可能收益甚微的常规工作。评估结果是否可以直接使用、其说法是否仍可追溯,以及是否还需要其他人完成研究。将基准测试任务成本与订阅条款及团队审核负担分开看待。将报告中的 WANDR 增益视为调查新选项的理由,然后让被接受的工作成果决定哪种模型值得进入你的工作流。



