Perplexity Revela Método Pós-Treinamento para Agente de Pesquisa, Modelo Qwen3.5 Supera GPT-5.4 em Precisão e Custo

De acordo com o monitoramento da Dongcha Beating, a equipa de investigação Perplexity publicou um artigo técnico detalhando o processo pós-treinamento do seu agente de pesquisa na web.
Este processo baseia-se nos modelos de código aberto Qwen3.5-122B-A10B e Qwen3.5-397B-A17B, empregando uma abordagem de duas fases: primeiro, o ajuste fino supervisionado (SFT) é utilizado para estabelecer comportamentos necessários para a implementação, como adesão às instruções e consistência linguística; depois, o reforço de política online (RL) otimiza a precisão da pesquisa e a eficiência no uso de ferramentas.
A fase de RL utiliza o algoritmo GRPO, com dados de treino compostos por duas partes: primeiro, um conjunto de dados de perguntas e respostas verificáveis de múltiplos saltos desenvolvido internamente, que constrói perguntas que requerem de 2 a 4 saltos de raciocínio a partir de consultas internas iniciais e verifica a singularidade das respostas com múltiplos solucionadores independentes; segundo, dados de diálogo geral baseados em critérios de avaliação (rubrica), que transformam requisitos de implementação como adesão às instruções e restrições de formato em condições atómicas objetivamente verificáveis para evitar a degradação dos comportamentos estabelecidos durante o SFT na fase de RL.
O núcleo do design de recompensa é a agregação controlada: as pontuações de preferência só são consideradas nos cálculos quando a linha de base está correta (ou seja, a pergunta e a resposta estão corretas ou todos os critérios de pontuação são atendidos), impedindo que sinais de preferência elevados mascararem erros factuais.
Penalidades de eficiência são aplicadas usando um método de ancoragem intra-grupo, onde as respostas corretas no mesmo grupo servem como linha de base para impor penalizações suaves sobre contagens excessivas de invocação de ferramentas e comprimentos de geração.
A avaliação mostra que o Qwen3.5-397B-SFT-RL pós-treinado apresenta desempenho ótimo em vários benchmarks de pesquisa.
No FRAMES, uma única invocação de ferramenta alcança 57,3%, superando o GPT-5.4 em 5,7 pontos percentuais e o Sonnet 4.6 em 4,7 pontos percentuais.
Sob um orçamento médio (4 invocações de ferramenta), atinge 73,9%, com um custo de 2,0 cêntimos por consulta; nas mesmas condições, o GPT-5.4 alcança 67,8% a 8,5 cêntimos, e o Sonnet 4.6 atinge 62,4% a 15,3 cêntimos.
Os dados de custo são calculados com base nos preços de API disponíveis publicamente de cada fornecedor, excluindo otimizações de cache.