Após treinar o agente de pesquisa pública Perplexity, o modelo baseado no Qwen3.5 supera o GPT-5.4 em precisão e custo

De acordo com o monitoramento Beating, a equipe de pesquisa Perplexity publicou um artigo técnico, divulgando seu processo de pós-treinamento do agente de busca na web. Este processo é baseado nos modelos de código aberto Qwen3.5-122B-A10B e Qwen3.5-397B-A17B, utilizando uma abordagem de duas fases: primeiro, ajuste supervisionado (SFT) para estabelecer comportamentos essenciais de implantação, como seguimento de instruções e consistência linguística; depois, reforço de estratégia online (RL) para otimizar a precisão da busca e a eficiência no uso de ferramentas.

A fase de RL utiliza o algoritmo GRPO, com dados de treinamento compostos por duas partes: uma, um conjunto de perguntas e respostas verificáveis de múltiplos saltos, sintetizado internamente, partindo de consultas sementes, construindo questões que requerem raciocínio de 2 a 4 saltos através de encadeamento de entidades, e verificando a unicidade da resposta com múltiplos solucionadores independentes; a segunda, dados de diálogo geral baseados em critérios de avaliação (rubric), convertendo requisitos de implantação como seguimento de instruções e restrições de formato em condições atômicas passíveis de verificação objetiva, usados na fase de RL para evitar a degradação do comportamento estabelecido pelo SFT.

O núcleo do design de recompensa é a agregação por controle: apenas quando a base está correta (pergunta e resposta ou todos os critérios do rubric atendidos), a pontuação de preferência participa do cálculo, prevenindo que sinais de alta preferência obscureçam erros factuais. A penalidade de eficiência usa uma abordagem de ancoragem em grupo, com respostas corretas do grupo como referência, aplicando penalizações suaves ao número de chamadas de ferramenta e ao comprimento de geração que excedem esse padrão.

A avaliação mostra que o Qwen3.5-397B-SFT-RL pós-treinamento apresenta desempenho superior em vários benchmarks de busca. No FRAMES, uma única chamada de ferramenta atinge 57,3%, 5,7 pontos percentuais acima do GPT-5.4 e 4,7 pontos acima do Sonnet 4.6. Com orçamento médio (4 chamadas de ferramenta), alcança 73,9%, com custo por consulta de 2,0 centavos de dólar; sob as mesmas condições, GPT-5.4 é 67,8% / 8,5 centavos e Sonnet 4.6 é 62,4% / 15,3 centavos. Os dados de custo são calculados com base nos preços públicos das APIs de cada fornecedor, sem otimizações de cache.