Comment fonctionne Perplexity How Perplexity Works

Quelques travaux récents Recent work

Récemment, les spécialistes SEO ont analysé les systèmes d'expérimentation des principaux moteurs d'IA : Recently, SEO specialists have been analyzing the experimentation systems of the main AI engines:

Aujourd'hui, cette nouvelle analyse de Perplexity montre que l'équipe a visiblement retenu la leçon de 2025 : le nombre de flags exposés a chuté de 55% (de 693 à 308). Mais il reste suffisamment d'informations pour comprendre l'architecture technique de ce moteur de réponses IA. Today, this new analysis of Perplexity shows that the team clearly learned from 2025: the number of exposed flags dropped by 55% (from 693 to 308). But enough information remains to understand the technical architecture of this AI answer engine.

Le parcours d'une question dans Perplexity The journey of a question through Perplexity

Quand vous tapez une question sur Perplexity, elle passe par une chaîne de traitement sophistiquée avant d'arriver à la réponse. Les feature flags révèlent exactement comment cette chaîne fonctionne. When you type a question on Perplexity, it goes through a sophisticated processing chain before arriving at the answer. The feature flags reveal exactly how this chain works.

Le Reformulator : optimiser la requête avant la recherche The Reformulator: optimizing the query before search

Avant même d'analyser l'intention de votre question, Perplexity la fait passer par un Reformulator, un modèle de langage spécialisé dans la réécriture de requêtes. L'objectif : transformer une question vague ou mal formulée en une requête précise et optimisée pour la recherche. Before even analyzing your question's intent, Perplexity runs it through a Reformulator, a language model specialized in query rewriting. The goal: transform a vague or poorly worded question into a precise, search-optimized query.

Les feature flags révèlent deux variantes du modèle : singlerft-sft et singlerft-grpo. Ces noms correspondent à un pipeline d'entraînement en deux étapes, une technique d'optimisation de pointe pour les LLM : The feature flags reveal two model variants: singlerft-sft and singlerft-grpo. These names correspond to a two-stage training pipeline, a state-of-the-art optimization technique for LLMs:

Pourquoi GRPO ? Développée par DeepSeek et popularisée fin 2025, cette technique remplace les réseaux de valeur coûteux par des comparaisons intra-groupe. Résultat : des reformulations plus concises (moins de tokens = plus rapide et moins cher) tout en maintenant la qualité. Le "single" dans le nom suggère que la reformulation se fait en une seule passe, optimisant la latence. Why GRPO? Developed by DeepSeek and popularized in late 2025, this technique replaces costly value networks with intra-group comparisons. Result: more concise reformulations (fewer tokens = faster and cheaper) while maintaining quality. The "single" in the name suggests reformulation happens in one pass, optimizing latency.

Le classificateur à 72 têtes (MHE) The 72-head classifier (MHE)

Chaque question passe ensuite par un classificateur appelé MHE (Multi-Head Ensemble). C'est un modèle unique avec 72 "têtes" qui analysent simultanément votre requête, chacune spécialisée dans la détection d'une intention différente. Each question then goes through a classifier called MHE (Multi-Head Ensemble). It's a single model with 72 "heads" that simultaneously analyze your query, each specialized in detecting a different intent.

Pourquoi 72 têtes dans un seul modèle ? Au lieu d'avoir 72 modèles séparés (lent et coûteux), un seul réseau de neurones partage 95% de son "cerveau" et se divise en 72 sorties. Résultat : une seule passe de calcul (~1-2ms) pour 72 classifications simultanées. Why 72 heads in one model? Instead of having 72 separate models (slow and expensive), a single neural network shares 95% of its "brain" and splits into 72 outputs. Result: a single computation pass (~1-2ms) for 72 simultaneous classifications.

La version actuelle s'appelle rose-mhe-multiclass-20251216-72heads. Exemples de têtes détectées : The current version is called rose-mhe-multiclass-20251216-72heads. Examples of detected heads:

Voici un exemple réel de réponse du classificateur MHE pour la requête "what are the gafam". Chaque tête retourne une probabilité comparée à un seuil : Here's a real example of MHE classifier response for the query "what are the gafam". Each head returns a probability compared to a threshold:

"mhe_predictions_full": {
  "finance_widget_gating": {
    "is_true": true,        // Triggered!
    "probability": 0.949,   // 94.9% confidence
    "threshold": 0.53
  },
  "nav_intent": {
    "is_true": false,
    "probability": 0.011,
    "threshold": 0.5
  },
  "shopping_intent": {
    "is_true": false,
    "probability": 0.001,
    "threshold": 0.7
  },
  "places_search_intent": {
    "is_true": false,
    "probability": 0.008,
    "threshold": 0.85
  },
  "domain_subdomain": {
    "label": "TECHNOLOGY/TECHNOLOGY_TRENDS",
    "probability": 0.231
  }
  // ... 67 autres têtes
}

Dans cet exemple, seule la tête finance_widget_gating s'est déclenchée (probabilité 94.9% > seuil 53%) car "GAFAM" fait référence aux géants tech cotés en bourse. In this example, only the finance_widget_gating head triggered (probability 94.9% > threshold 53%) because "GAFAM" refers to publicly traded tech giants.

La taxonomie propriétaire de Perplexity Perplexity's proprietary taxonomy

Le champ domain_subdomain révèle une taxonomie propriétaire à deux niveaux (DOMAINE/SOUS-DOMAINE) utilisée par Perplexity pour catégoriser les requêtes. Cette classification détermine le format de réponse, les sources privilégiées et les widgets affichés. The domain_subdomain field reveals a two-level proprietary taxonomy (DOMAIN/SUBDOMAIN) used by Perplexity to categorize queries. This classification determines the response format, preferred sources, and displayed widgets.

Voici des exemples réels montrant comment différentes requêtes sont classifiées : Here are real examples showing how different queries are classified:

Observations clés : Key observations:

• Les requêtes "best X" déclenchent places_search pour les lieux ou shopping_intent pour les produits"Best X" queries trigger places_search for locations or shopping_intent for products
• Les tutoriels ("recipe", "how to") activent video_preview pour prioriser le contenu vidéoTutorials ("recipe", "how to") activate video_preview to prioritize video content
• Les requêtes contenant "near me" déclenchent personal_search (seuil très bas de 5%) pour la personnalisation géolocaliséeQueries containing "near me" trigger personal_search (very low 5% threshold) for location-based personalization
• Le widget comet_nav apparaît dans presque toutes les requêtes (seuil de 20%), poussant l'intégration avec le navigateur CometThe comet_nav widget appears in almost all queries (20% threshold), pushing integration with Comet browser

Impact sur l'interface : les onglets dynamiques Impact on UI: dynamic tabs

Le classifier MHE détermine également les onglets affichés dans l'interface. La réponse du serveur contient un champ answer_modes qui varie selon la requête : The MHE classifier also determines which tabs are displayed in the interface. The server response contains an answer_modes field that varies based on the query:

L'onglet VIDEO n'apparaît que lorsque video_preview est déclenché par le classifier. Cela explique pourquoi les requêtes de type tutoriel ou recette affichent un onglet vidéo, tandis que les requêtes informationnelles n'en ont pas. The VIDEO tab only appears when video_preview is triggered by the classifier. This explains why tutorial or recipe queries display a video tab, while informational queries don't.

Le partenariat Vespa.ai : le moteur de recherche The Vespa.ai partnership: the search engine

Le 15 avril 2025, Perplexity a officiellement annoncé son partenariat avec Vespa.ai pour internaliser sa fonction de recherche. Vespa Cloud alimente désormais le backend de recherche web de Perplexity. On April 15, 2025, Perplexity officially announced its partnership with Vespa.ai to bring its search function in-house. Vespa Cloud now powers Perplexity's web search backend.

L'architecture utilise une approche hybride multi-vecteur + recherche textuelle. Les flags révèlent plusieurs systèmes de routing, et Vespa semble être utilisé comme fallback parmi d'autres process internes qui tournent en parallèle : The architecture uses a hybrid multi-vector + text search approach. The flags reveal several routing systems, and Vespa appears to be used as a fallback among other internal processes running in parallel:

• DynamoDB : Pour les requêtes de navigation simple (< 10ms)For simple navigation queries (< 10ms)
• Vespa : Pour les recherches complexes avec ranking ML (50-100ms), utilisé en fallbackFor complex searches with ML ranking (50-100ms), used as fallback
• Autres processOther processes : Systèmes propriétaires en parallèle (détails non exposés)Proprietary systems running in parallel (details not exposed)

Voici la configuration de routing capturée lors d'une requête réelle : Here's the routing configuration captured during a real query:

"sapi-ranking-navigate-cfg": {
  "mode": "prefer_dynamodb",
  "num_results": 1,
  "allow_fuzzy_match": true,
  "fuzzy_match_min_relevance": 0.6,
  "use_nn_query_prefilter": true  // Neural network pre-filtering
}

Le mode prefer_dynamodb confirme que DynamoDB est privilégié pour sa rapidité. Le paramètre use_nn_query_prefilter indique l'utilisation d'un réseau de neurones pour pré-filtrer les requêtes avant le routing, et fuzzy_match_min_relevance: 0.6 permet la correction automatique des fautes de frappe si la confiance dépasse 60%. The prefer_dynamodb mode confirms that DynamoDB is preferred for its speed. The use_nn_query_prefilter parameter indicates the use of a neural network to pre-filter queries before routing, and fuzzy_match_min_relevance: 0.6 allows automatic typo correction if confidence exceeds 60%.

Cashmere.io : l'accès aux données premium Cashmere.io: access to premium data

Cashmere.io est une startup qui fait le pont entre les éditeurs de contenu premium et les moteurs IA. Le 22 janvier 2026, ils ont annoncé une levée de 5 millions de dollars menée par Reach Capital. Fait notable : Perplexity a investi dans Cashmere lors du Pre-Seed de mai 2025 via le "Perplexity Fund". Cashmere.io is a startup bridging premium content publishers and AI engines. On January 22, 2026, they announced a $5 million raise led by Reach Capital. Notable: Perplexity invested in Cashmere during the May 2025 Pre-Seed via the "Perplexity Fund".

Les flags révèlent 4 sources de données premium intégrées, déclenchées par des mots-clés spécifiques : The flags reveal 4 integrated premium data sources, triggered by specific keywords:

Le partenariat avec Wiley est particulièrement significatif. Annoncé officiellement, il fait de Perplexity le premier moteur IA avec accès direct aux publications académiques sous licence. Texas A&M et Texas State University font partie des premiers utilisateurs pilotes. The Wiley partnership is particularly significant. Officially announced, it makes Perplexity the first AI engine with direct access to licensed academic publications. Texas A&M and Texas State University are among the first pilot users.

Les modèles LLM disponibles et internes Available and internal LLM models

Les flags révèlent les modèles tiers intégrés dans Perplexity. Ces modèles sont déjà disponibles au public pour les abonnés Pro/Max : The flags reveal third-party models integrated into Perplexity. These models are already publicly available to Pro/Max subscribers:

• enable-gpt-5-2-web : GPT-5.2 (OpenAI)
• enable-gemini-3-flash-web : Gemini 3 Flash (Google)
• enable-gemini-3-in-web : Gemini 3 Pro (Google)
• enable-opus-4.1-thinking-in-web-frontend : Claude Opus 4.1 Thinking (Anthropic)

Plus intéressant, les feature flags révèlent des modèles propriétaires Perplexity en développement interne : More interestingly, the feature flags reveal proprietary Perplexity models in internal development:

• custom_model_pro : Modèle propriétaire Perplexity (base)Perplexity proprietary model (base)
• custom_model_pro_sbs1, sbs2, sbs3 : Versions en test A/B (side-by-side)A/B test versions (side-by-side)
• T.ALPHA, T.BETA, T.STUDY : Modes de modèles internesInternal model modes
• PPLX_REASONING : Modèle de raisonnement propriétaireProprietary reasoning model

Les expériences side-by-side montrent que Perplexity teste activement son Custom Model Pro contre GPT-5.1, Grok 4.1 et Qwen3, suggérant un déploiement imminent. The side-by-side experiments show that Perplexity is actively testing its Custom Model Pro against GPT-5.1, Grok 4.1 and Qwen3, suggesting imminent deployment.

Kimi K2 Thinking est un modèle développé par Moonshot AI (startup chinoise soutenue par Alibaba). C'est un modèle MoE (Mixture of Experts) avec 1 trillion de paramètres au total et 32 milliards activés. Sa spécificité : les capacités "agentiques", permettant d'exécuter 200-300 appels d'outils séquentiels sans intervention humaine. Sorti en novembre 2025, il est hébergé aux États-Unis pour les utilisateurs Perplexity. Kimi K2 Thinking is a model developed by Moonshot AI (Alibaba-backed Chinese startup). It's a MoE (Mixture of Experts) model with 1 trillion total parameters and 32 billion activated. Its specialty: "agentic" capabilities, allowing 200-300 sequential tool calls without human intervention. Released in November 2025, it's hosted in the US for Perplexity users.