Perplexity publie des modèles qui cherchent aussi les preuves d'une réponse
— AGENTS
Perplexity met en open weights deux modèles d'embeddings conçus pour retrouver, en plus de la réponse, les passages qui la justifient dans un document. L'écart mesuré entre les deux tâches montre que cette vérification reste le point faible de tous les moteurs de recherche IA actuels.
Un assistant qui répond juste n'a rien prouvé. C'est le constat qui pousse Perplexity à publier pplx-embed-v2-context, deux modèles d'embeddings destinés aux systèmes de recherche augmentée, ceux qui alimentent les chatbots documentaires en citant leurs sources. Leur promesse tient en une phrase : retrouver non seulement le passage qui contient la réponse, mais aussi ceux qui permettent de la vérifier, l'adresse d'un logement citée plusieurs pages avant le montant du loyer, par exemple.
Ce sujet ne parle à aucun poste créatif en particulier. Il concerne les équipes qui construisent des moteurs de recherche internes, des assistants documentaires ou des outils de veille automatisée, un marché technique où se joue la fiabilité de tout ce qui répond à une question à partir d'une base de documents. Perplexity avance une famille ouverte, téléchargeable et modifiable, ce qui change la donne pour quiconque veut bâtir ce type d'outil sans dépendre d'une API fermée.
Le chiffre qui mérite d'être retenu dit tout du problème que ces modèles tentent de résoudre. Sur le nouveau benchmark publié, le grand modèle retrouve la bonne réponse neuf fois sur dix, mais ne retrouve la preuve qui la justifie qu'une fois sur deux environ. Un assistant peut donc donner la bonne information tout en étant incapable de montrer d'où elle vient, ce qui est exactement le défaut qui rend un outil de recherche IA difficile à faire confiance en contexte professionnel.
Cette distance entre répondre et prouver mérite une réserve simple : les résultats viennent des protocoles et du corpus de l'équipe elle-même, avec un classement public mais sans validation indépendante reproductible. L'amélioration annoncée reste donc à prendre pour ce qu'elle est, une mesure maison sur un problème réel, pas un verdict définitif sur la concurrence.
L'enjeu dépasse Perplexity. Tout outil de veille, de recherche documentaire ou d'assistant qui s'appuie demain sur des bases de connaissances volumineuses hérite de cette même faiblesse structurelle, retrouver une information est globalement résolu, en établir la fiabilité précise reste un chantier ouvert. La disponibilité en open weights de ces modèles abaisse le coût pour quiconque voudra combler cet écart avant les autres.