什么是 Perplexity？

Perplexity 开源其高效的 Unigram 分词器，CPU 利用率降低 5-6 倍，显著减少延迟。

Perplexity开源了重构的Unigram分词器，CPU利用率降低5-6倍。

Perplexity 的编码器在生产输入长度下将 p50 延迟降低了约 5 倍，相比 HuggingFace 分词器，2 倍相比 SentencePiece C++，1.5 倍相比 IREE C。

GB 200s 提高了大型 MoE 模型如 Qwen 的预填充和解码分离效率，相比 Hopper 平台，吞吐量显著提升。

Perplexity 发布了关于如何在 NVIDIA GB200 NVL72 Blackwell 机架上部署 Qwen3 235B 模型的研究，GB200 在大规模 MoE 模型的高吞吐量推理方面优于 Hopper。

Perplexity 正在成为企业级知识与研究平台，PayPal 每周运行 74,000 项任务，用于模型验证、市场趋势分析等关键业务场景。

Perplexity 实现默认安全的计算架构，每个任务在硬件隔离沙箱中运行，采用 VPC 级存储与计算分离，并使用短生命周期代理令牌认证 Agent。

企业深度采用AI工具需持续投入安全工程，Perplexity通过沙箱与自动化安全工作流实现风险控制。

Perplexity 开源其内部安全工具 Bumblebee，用于保护开发者系统并提升产品安全性。

Computer 现在连接 Snowflake，可直接对实时数据运行分析任务。

Perplexity通过构建可组合、可评估的AI代理技能体系，实现对复杂任务的自动化处理，其核心方法是将多步推理任务拆解为原子化技能模块，并基于真实用户行为数据进行持续优化。

Perplexity发布内部Agent技能手册，强调开发者需采用新思维模式来设计、优化和维护AI代理技能。

Perplexity 提出：编程中的陷阱（gotchas）并非例外，而是最高价值的知识点，揭示真实开发场景的认知盲区。

MiniMax Agent 集成 Perplexity 搜索基础设施，在 700 多项任务中表现最优，提升搜索质量与效率。

Perplexity 开源 Bumblebee，一款用于 macOS 和 Linux 的只读扫描工具，检测开发机上的风险包、扩展和 AI 工具配置。

Perplexity AI 宣布其系统可直接连接 Snowflake 数据仓库，实现端到端数据分析。

Perplexity利用NVIDIA的CUTLASS Python栈优化其推理模型，显著提升大规模语言模型的性能。

Perplexity通过预处理过滤广告、导航和无用内容，将每片段关键信息提升63%，实现了50倍压缩率的同时保持前沿性能。

Perplexity 正在构建市场上最安全、可扩展的代理运行时沙箱。

Perplexity 推出基于 Snowflake 数据的仪表盘和自动化工具，支持销售漏斗分析、产品使用情况和客户分群。

PayPal 使用 Perplexity Enterprise 每周运行 74,000 任务，用于模型验证、渠道表现、市场趋势研究、竞争情报和产品分析。

新的应用现在支持服务器端渲染并通过搜索引擎和像 ChatGPT、Claude 和 Perplexity 这样的 AI 搜索引擎被发现。现有的应用将进行预渲染。

Perplexity推出Mac应用，Personal Computer功能增强，支持本地文件和网络任务处理。

Perplexity 的 AI 代理在执行前并行扫描外部内容，采用 ML 分类器和 BrowseSafe 模型保障安全，文件数据加密且7天后自动删除。

开发者现可通过一次调用获取授权金融数据、实时市场行情和引用来源，适用于需要当前、可验证财务答案的 AI 代理。

推文借Python之禅调侃AI模型对简单知识的掌握，暗示易懂内容应被删除，信息密度低。

多家知名科技公司在其员工通过推特分享他们的项目进展，这种做法值得更多公司效仿。

Perplexity正在向早期测试者推出其代理网络浏览器Comet，但文章信息量有限。

Perplexity即将推出新的Mac应用程序，并将在未来几周内弃用旧版。

Perplexity 提供了关于改进 Unigram 分词器 CPU 性能的博客文章链接。