Articles sur Perplexity

Le 15 septembre 2026, TypeSafe a lancé Jev, un modèle de décision plutôt qu'un chatbot. En quatre semaines, au moins 20 alternatives à Jev ont vu le jour, provenant de Cloudflare, OpenAI, Perplexity, Liquid AI, Strands Labs d'AWS et de développeurs indépendants. Ces alternatives risquent de faire peser une pression concurrentielle sur Jev de TypeSafe.

Perplexity a mis en open source sa machine virtuelle sandbox SPACE, ce qui signifie que la construction d'agents IA sûrs et fiables passe d'une concurrence algorithmique au niveau applicatif à une standardisation de l'infrastructure d'isolation sous-jacente. Lorsque les agents doivent exécuter du code complexe et naviguer sur le web, les solutions d'isolation légères s'imposeront comme un besoin fondamental et incontournable en environnement de production.

Perplexity a publié le modèle d'embedding pplx-embed-v2-late, couvrant à la fois le déploiement léger sur appareil et la construction d'index haute performance. Cela montre que les composants clés du RAG évoluent vers un meilleur rapport coût-efficacité et une autonomie open source, abaissant ainsi le seuil pour les entreprises et les développeurs qui souhaitent construire des systèmes de recherche privatisés.

Perplexity a publié le modèle pplx-embed-v2-context-9b-preview, modifiant le mécanisme de recherche du RAG traditionnel qui se contente de faire correspondre des segments de texte isolés et uniques. Cela signifie que la recherche vectorielle évolue d'une simple « correspondance de similarité » vers un « alignement de chaînes de preuves contextuelles », améliorant ainsi la précision et l'explicabilité de la génération augmentée par récupération.

Perplexity utilise les cas d'échec issus de sessions d'utilisateurs réels pour entraîner des agents informatiques, ce qui signifie que l'orientation de l'optimisation des modèles d'IA évolue, passant d'une dépendance unilatérale aux données synthétiques à l'utilisation d'exemples négatifs d'interactions réelles pour une correction d'erreurs précise. En combinant l'échantillonnage par rejet et l'auto-distillation, son taux d'échec d'appel d'outils réel a considérablement diminué, démontrant une voie pragmatique pour améliorer la fiabilité des agents grâce au post-entraînement.