
Perplexity年化收入突破10亿美元,2026年增长至年初四倍
来源标题:[AINews] Perplexity hits a $1B revenue run rate, up 4x in 2026
Perplexity年化收入突破10亿美元,CEO Aravind Srinivas 在 Semafor 活动上公布。The Information 此前报道其年初收入不足2.5亿美元、8月超7.5亿美元,Computer 产品贡献了部分增长。按同类Agent实验室估值倍数推算,Perplexity当前估值约300亿至500亿美元。
以下正文由 AI 翻译自 Latent Space(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
Perplexity 的年化收入于今日突破 10 亿美元,CEO Aravind Srinivas 在一场直播活动中向 Semafor 透露了这一消息。The Information 此前报道称,该公司年初收入不足 2.5 亿美元,到 8 月已超过 7.5 亿美元,其中 Computer 产品推动了部分增长。按照 agent 实验室的通常估值倍数(例如 Cognition 也突破了 10 亿美元,Cursor 则突破了 46 亿美元),这大致意味着 Perplexity 目前的估值在 300 亿至 500 亿美元之间——前提是其单位经济模型能够成立。相较于 2025 年 9 月那轮 200 亿美元估值,这是一次不错的提升,也符合我们为头条报道设定的「融资额 >10 亿美元」规则。
汇总一些 Perplexity 近期的发布,供需要补课的朋友参考:
- Computer。9 月的 Automations 功能让它能够接续此前中断的周期性任务。11 月的 Teammates 则负责持续性的工作。Computer 还可以在受支持的 Mac 上完全本地运行。
- Monitor API。监控某个话题或页面,当相关内容发生变化时接收 webhook 通知。
- Frontier Research。这个新的研究实验室可使用超过 10,000 块 GPU,并计划公开发表论文、数据、模型和代码。
Sponsored by Deepgram Deepgram 是支撑自然对话的语音 AI 基础设施——为构建语音 AI 的团队提供语音转文字、文字转语音、专注于语音的 LLM 以及 agent。无论你使用何种技术栈、何种现有工具,Deepgram 都能作为你的基础语音 AI 技术无缝接入。控制权在你手中。而我们拥有上下文,能够像人一样倾听、理解和表达。 了解更多关于 Real-time Context Standard 的信息。
AI Twitter Recap
Qwen4-Max 正式落地 周五预览的 Qwen4-Max 现已成为正式发布模型。在最高推理设置下,Qwen4-Max 在 Intelligence Index 上得分 43,高于此前的 34。每任务平均成本从 10.02 美元降至 3.27 美元。阿里巴巴将输出价格从每百万 token 6 美元下调至 4.50 美元,同时该模型生成的 token 数量减少了约 39%。Kimi K3.1 Pro 每个 index 任务成本为 3.68 美元,在 Terminal-Bench 4.0 上得分 67%,而 Qwen 为 48%。Artificial Analysis
- 模型内部。阿里巴巴将总参数量保持在 2.4T,并将每 token 激活参数量减少 25% 至 71B。该模型接受图像和文本输入,上下文窗口为 100 万 token。更小的开放权重 Qwen4 模型仍在筹备中。Alibaba
- Arena 与 Vals:Arena 将其排在 Agent Arena 总榜第 14 位,是中国模型中最高的,在 14.7k 个会话中净胜率为 +7.5%(Arena)。
- WebDev:它在 Code Arena WebDev 中以 1750 分位列第 6,比前代高 74 分(WebDev)。它还在 Image-to-WebDev 中位列第 6,刚好高于 Claude Opus 5 和 GPT-6 Sol(I2WebDev)。
- Vals Index:它总榜排名第 11,在编程和金融领域有大幅提升(Vals)。
- 法律基准的注意事项:在 HLAB 上,它正确完成了 95.7% 的检查项,但仅通过了 21.3% 的任务,且输出 token 量增加了 3.6 倍(HLAB)。
- 视觉结果(独立评测):Roboflow 称其在自家 VLM 基准上表现平平,Google、OpenAI 和 Anthropic 现已远远领先。不过在高推理强度下,它每张图像的处理速度约为 Qwen3.8-Max 的 4.5 倍,成本低约 68%(Roboflow)。
安全、对齐与评测诚信
- OpenAI 嵌入式评估:OpenAI 正在向 Apollo、METR、Transluce 和 Goodfire 开放其模型和系统的内部访问权限(OpenAI)。
- 各机构的具体范围:Apollo 派驻六名评估人员现场工作四个月(Rundown)。METR 审查 OpenAI 规模最大的 RL 训练,可访问对话记录、监控记录和 checkpoint 快照(METR)。Transluce 对训练后对齐评估进行为期六周的审计,并将在 2027 年初进行更全面的后续审计(Transluce)。Goodfire 嵌入可解释性研究人员以监控训练过程(Goodfire)。
- 限制:METR 表示其范围不包括 OpenAI 已披露的对齐失误事件,且比 METR 提议的范围更窄(scope)。
- 对访问条款的批评:批评者称这些协议未能达到 Sam Altman 所承诺的「类似员工的访问权限」。
- 据报道的缺口:评估人员无法访问 Slack,OpenAI 指定他们可以访谈哪些员工,且他们无法访问权重或运行基于训练的诱导测试(Neel Nanda、Alex Mallen)。
- 前员工的说法:Mikita Balesni 表示评估人员不能引用员工的话,即使是匿名的也不行,部分人员可能被禁止发表关于仅限内部使用的模型的研究(balesni)。
- Goodfire 收购谈判:The Information 报道称 OpenAI 曾探讨以超过 50 亿美元收购这家可解释性初创公司。据报道 Goodfire 希望保持独立,以便向多家实验室出售服务(report)。
- 其他诚信信号:
- 基准污染:Claude 似乎记住了 LinuxArena 控制评估的细节(Karvonen)。
- 事件分类法:OpenAI 发布了一个用于对 AI 控制事件进行分类的 v0.1 框架(framework)。
- 披露政策:Anthropic 将高危和严重漏洞的协调披露窗口从 90 天缩短至 30 天(policy)。
推理系统与 agent 基础设施
- Together 告别手工调优的 megakernel。其首个设计已在一个客户的生产环境中落地。现在 agent 会搜索更小的 GPU 操作组进行融合。Together 报告在 B200 上运行 Llama 3.2 1B 时吞吐量提升了 28%。工程博客
- DeepSeek V4.1 Flash 在 Vera Rubin 上:在 SemiAnalysis 的 AgentX 基准上,vLLM 配合 Dynamo 在 400 tok/s/user 时单芯片吞吐量是 GB300 NVL72 的 63.4 倍,在 600 tok/s/user 时是 93.3 倍(vLLM)。
- Batch-1 延迟:SGLang 相关工作在 TP4 上、batch size 为 1 时达到约 2,500 tok/s,是其 GB300 结果的 1.7 倍(saltyph)。Baseten 报告了类似的、相对于其 4xB300 数据的 1.7 倍提升(Baseten)。
- Agent 驱动的优化:一个 agent 通过 NVLink 对称内存跨 HBM 共享 Engram 表,以恢复 prefix-cache 容量(Liu)。另一个团队表示,agent 找到的优化使其 B300 单步时间加快了 10%(Halex)。
- Agentic 服务研究:MIT 的 Evolving Infra 用在线自适应取代了固定的 prefill/decode 分离。在最多 256 块 GB300 上与 NVIDIA Dynamo 对比,它报告延迟最高降低 4.1 倍,P95 TTFT 最高降低 14 倍(Evolving Infra)。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。