Perplexity apprend à ses modèles de tri à pointer le passage exact d'un document

— AGENTS

La nouvelle fonction locate ne génère plus une réponse rédigée, elle désigne l'extrait précis où se trouve l'information cherchée dans un contrat, un CV ou un rapport. Les poids sont ouverts, mais le déploiement local réclame une machine de serveur, loin du poste de travail classique.

Perplexity apprend à ses modèles de tri à pointer le passage exact d'un document

Perplexity vient d'ajouter une capacité à sa famille de modèles dédiés au tri et à la décision automatisée : repérer, dans un texte, le passage exact qui répond à une question posée, avec ses bornes de début et de fin et un score de confiance. Jusqu'ici ces modèles répondaient par oui, par non ou par une note sur une grille. Ils peuvent désormais montrer du doigt la ligne d'un contrat qui porte une signature, ou la phrase d'une offre d'emploi qui mentionne une compétence précise.

Ce sujet ne parle à aucun studio créatif. Les personnes réellement concernées sont les équipes produit qui construisent des pipelines de modération, de routage de documents ou de filtrage de contenu pour des applications métier : assurance, recrutement, support client. Ce sont elles qui vont calibrer les seuils de décision, arbitrer entre un faux positif qui bloque un dossier légitime et un faux négatif qui laisse passer un incident.

Ce type de brique d'extraction finira, à un horizon qu'on ne connaît pas encore, dans les systèmes qui scannent en masse les contenus publiés sur une plateforme, y compris les visuels et les textes produits par des créatifs. Les poids sont diffusés sous licence libre, ce qui abaisse la barrière d'entrée pour qui veut monter ce genre de filtre. Mais le grand modèle pèse à lui seul près de 49 gigaoctets rien que pour ses poids, une masse qui exclut d'emblée un déploiement sur un poste de travail standard et réserve l'outil à des infrastructures serveur dédiées.

La réserve la plus solide tient à la méthode de mesure : le taux d'accord annoncé sur un million de requêtes réelles compare les réponses du modèle à celles d'autres modèles de langage, faute d'annotation humaine vérifiée. Retrouver fidèlement un mot dans un document ne garantit pas que ce mot dise la vérité, et cette nuance pèse lourd dès qu'un système de ce genre sert à filtrer ou à sanctionner un contenu.

L'intérêt réel se situe dans le rapport de force entre plateformes de recherche et fournisseurs de modèles spécialisés, pas dans un usage de création. Ce qui se joue, c'est le coût futur de ces briques de tri quand elles atterriront, discrètement, derrière les outils de modération que les créatifs croiseront sans jamais les nommer.

Sources

Umiros Média