Perplexity запустила Frontier Research: ИИ-исследователя будут учить на 10 000+ видеокартах
Perplexity запустила Frontier Research — команду, которая строит ИИ для самостоятельных исследований: искать источники, сверять их и делать выводы. Модели учат через RL — обучение с подкреплением, где за результат действий ставят «оценку», — на 10 000+ GPU (видеокартах), а задачи берут из реального использования Perplexity. Вывод для разработчиков: агентов всё чаще учат на живых сценариях, а не только настраивают промптами.
AI-обработка оригинала X: @denisyarats; редакция Hamidun News
Попросите современного ИИ-ассистента «разберись в рынке» или «изучи научную тему», и он, скорее всего, выдаст аккуратный, но поверхностный пересказ. Настоящее исследование — это десятки поисков, чтение источников, сверка противоречий и повторные попытки. Именно эту работу Perplexity хочет отдать машине. Компания, которую знают как ИИ-поисковик со ссылками на источники, объявила о запуске Perplexity Frontier Research. Об этом в X написал Денис Ярац, сооснователь и технический руководитель Perplexity. Цель — система, способная выполнять исследования автономно, то есть без подсказок человека на каждом шаге.
Две цифры из анонса стоит расшифровать сразу. RL — это обучение с подкреплением: модель не заучивает готовые ответы, а пробует действовать и получает «оценку» за результат, как стажёр, которому говорят, справился он с заданием или нет. GPU — графические процессоры, «видеокарты», на которых обучают нейросети. Perplexity собирается запускать такое обучение на кластере из 10 000 и более GPU. Для сравнения: дообучить небольшую модель можно на нескольких картах, а кластер на десять тысяч — это уровень крупных лабораторий.
Над чем будет работать команда
В анонсе названы пять направлений: оркестрация нескольких агентов, обучение с подкреплением, непрерывное обучение, системная инженерия и пре-тренинг (обучение базовых моделей с нуля).
Оркестрация нужна потому, что один агент плохо тянет длинное исследование. Представьте, что вы просите разобрать рынок электросамокатов: один агент ищет компании, другой читает отчёты, третий проверяет цифры. Оркестратор распределяет задачи и собирает результат. Непрерывное обучение означает, что модель усваивает новое, не переучиваясь полностью с нуля. Для исследовательской системы это важно: факты в мире устаревают быстрее, чем выходят новые версии моделей.
Как будут учить: синтетика и реальные сценарии
По словам Яраца, значительная часть работы — RL в большом масштабе. Данные для обучения синтетические, а среды, где модель тренируется, строят на основе того, как люди реально пользуются Perplexity.
Логика такая. Чтобы учить исследовательского агента через RL, нужна среда, где он может искать, открывать страницы и запускать код, а итог можно проверить: нашёл правильный ответ или нет. У Perplexity есть то, чего нет у лабораторий без массового продукта: поток реальных запросов и понимание, какие задачи люди ставят на практике. Из них можно собирать тренировочные задания, близкие к жизни, а не к учебным бенчмаркам.
Отдельно Ярац подчёркивает, что Perplexity — «полностью стековая» компания: поиск, инференс (запуск готовых моделей), обучение и песочницы (изолированные среды, где агент выполняет действия) построены внутри. По его словам, это позволяет двигаться быстро, а всё созданное проверяется в продуктах, которыми пользуются миллионы людей. Цикл «обучили, выкатили, посмотрели на поведение модели у пользователей, вернули данные в обучение» проще замкнуть, когда все части под одной крышей.
Что это значит на практике
Оговорка: это заявление о намерениях и наборе команды, а не релиз. В анонсе нет названий моделей, результатов на бенчмарках, сроков и сведений о том, какие базовые модели возьмут за основу. Компания набирает исследователей и инженеров.
Для разработчиков и продактов из этого следуют три вывода:
- Индустрия смещается от тонкой настройки промптов вокруг чужих моделей к обучению самих моделей на агентных задачах. Компании с массовым продуктом превращают пользовательские сценарии в тренировочные среды.
- Даже без собственного обучения можно перенять элементы подхода: песочницы для безопасного выполнения действий, чёткие измеримые критерии «задача решена» и разделение ролей между агентами. От них зависит качество агента в продакшене.
- Perplexity явно хочет вырасти из слоя поверх чужих моделей в разработчика собственных. Увидим ли мы результат как новую модель или как более сильный режим исследований в продукте, пока неизвестно.
- 21 нояб. 2026 г.Алиса, ChatGPT и Perplexity ссылаются лишь на 34 из 309 площадок для статей
- 21 нояб. 2026 г.Perplexity выдал рискованные магазины в 15% ответов о покупках, ChatGPT — в 8%
- 21 нояб. 2026 г.Perplexity выпустила Decider v1.3: 70 баллов в рейтинге решений и $68 за миллион задач
- 21 нояб. 2026 г.OpenAI назвала 4 причины, из-за которых GPT-6 Astra прячет рассуждения от мониторов
Вопросы и ответы по материалу
Что известно по теме: над чем будет работать команда?
В анонсе названы пять направлений: оркестрация нескольких агентов, обучение с подкреплением, непрерывное обучение, системная инженерия и пре-тренинг (обучение базовых моделей с нуля). Оркестрация нужна потому, что один агент плохо тянет длинное исследование. Представьте, что вы просите разобрать рынок электросамокатов: один агент ищет компании, другой читает отчёты, третий проверяет цифры. Оркестратор распределяет задачи и собирает результат.
Что известно по теме: как будут учить: синтетика и реальные сценарии?
По словам Яраца, значительная часть работы — RL в большом масштабе. Данные для обучения синтетические, а среды, где модель тренируется, строят на основе того, как люди реально пользуются Perplexity. Логика такая. Чтобы учить исследовательского агента через RL, нужна среда, где он может искать, открывать страницы и запускать код, а итог можно проверить: нашёл правильный ответ или нет.
Что известно по теме: что это значит на практике?
Оговорка: это заявление о намерениях и наборе команды, а не релиз. В анонсе нет названий моделей, результатов на бенчмарках, сроков и сведений о том, какие базовые модели возьмут за основу. Компания набирает исследователей и инженеров. Для разработчиков и продактов из этого следуют три вывода: Индустрия смещается от тонкой настройки промптов вокруг чужих моделей к обучению самих моделей на агентных задачах. Компании с массовым продуктом превращают пользовательские сценарии в тренировочные среды.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.