コード、Web検索、調査などのトップ6 SOTA LLMS -Analytics Vidhya

人工知能では、大規模な言語モデル（LLM）が不可欠になり、モノリシックなエンティティではなく特定のタスクに合わせて調整されています。今日のAIの世界には、開発者ワークフローを見つけたコーディングアシスタント、または研究エージェントが膨大な情報ハブ全体のコンテンツを自律的にナビゲートしたアシスタントをコーディングするプロジェクトで構築されたモデルがあります。

明確なオリエンテーションを理解することは、専門家が特定のニーズに合わせて最適なAIに適応したツールを選択しながら、ますますAIが強化されたワークステーション環境で頻繁にリマインダーを順守するのに役立ちます。

注：これは、言及されたすべてのSOTA LLMSでの私の経験であり、ユースケースによって異なる場合があります。

目次

• クロード3.7ソネット
• ジェミニ2.0フラッシュ
• Openai o3-mini-high
• ElevenLabs API
• Openai Deep Research
• 困惑AI
• 結論

1。クロード3.7ソネット

Claude 3.7 Sonnetは、AIの絶えず変化する世界で関連する作品とソフトウェア開発をコーディングする際に、無敵のリーダー（SOTA LLMS）として浮上しています。現在、このモデルは2025年2月24日に開始されましたが、そのような能力が装備されており、その向こうの地域で驚くべきことが機能しています。一部の人によると、それは漸進的な改善ではありませんが、むしろ、AIアシストプログラミングでできるすべてを再定義するブレークスルーの飛躍です。

比類のないコーディング機能

Claude 3.7 Sonnetは、前例のないコーディングインテリジェンスを通じて自分自身を区別します。

• エンドツーエンドソフトウェア開発：最初のプロジェクトの構想から最終展開まで、クロードはソフトウェア開発ライフサイクル全体を驚くべき精度で処理します。
• 包括的なコード生成：複数のプログラミング言語で高品質のコンテキスト対応コードを生成します。
• インテリジェントなデバッグ：おそらく、人質のような推論で複雑なコーディングの問題を特定、説明、解決します。
• 大規模なコンテキストウィンドウ：最大128K出力トークンをサポートし、包括的なコード生成と複雑なプロジェクト計画を可能にします。

重要な強み

• ハイブリッド推論：複雑なタスクを通じて考えることと推論するための比類のない適応性。
• 拡張コンテキストウィンドウ：最大128K出力トークン（以前のバージョンの15倍以上）。
• マルチモーダルメリット：コーディング、ビジョン、テキストベースのタスクの優れたパフォーマンス。
• 低幻覚：非常に有効な知識の検索と質問応答。

技術革新

高度な推論機能

Claude 3.7 Sonnetは、AI推論への革新的なアプローチを紹介します。

• 即時の応答生成
• 透明で段階的な思考プロセスを観察できます。
• 計算思考時間を細かく制御します。

汎用性の高いユースケース

モデルは、さまざまなものに秀でることを知っています：

• ソフトウェア開発：計画とメンテナンスの間にオンラインでエンドツーエンドのコーディングをサポートします。
• データ分析：チャートと図からの高度な視覚データ抽出
• コンテンツ生成：優れたトーン理解でニュアンスを書く
• プロセスの自動化：洗練された命令に続いて、複雑なワークフロー管理。

ハンズオンガイド：最初のクロード3.7ソネットプロジェクト

前提条件

• 人類のコンソールアカウント
• APIキー
• Python 3.7またはタイプスクリプト4.5

ステップバイステップの実装

1.人類のSDKをインストールします

！ピップインストール人類

2。API環境を設定します

anthropic_api_key = 'your-api-key-here'をエクスポート

3。Pythonコードの例：

人類のインポート
client = anthropic.anthropic（）
message = client.messages.create（
Model = "Claude-3-7-Sonnet-20250219"、
max_tokens = 1000、
温度= 1、
System = "あなたは世界クラスの詩人です。短い詩でのみ応答します。」
メッセージ= [
{
「役割」：「ユーザー」、
"コンテンツ"： [
{
「タイプ」：「テキスト」、
「テキスト」：「なぜ海は塩辛いのですか？」
}
]
}
]
））
print（message.content）

出力

[TextBlock（Text = "The Ocean's Salty Brine、\ Na Tale of Time and Design。\ nrocks<br> そして、川、彼らの鉱物は流れ、\海洋の腫瘍<br> ベッド。\ nevaporationは塩を残します<br> enshrined。 "、type = 'text'）]

ベストプラクティス

• システム固有のプロンプトを使用してください - 明確かつ具体的に
• 温度設定を試してみてください - それはあなたを新しい設定に導く可能性があります
• 複雑なタスクの拡張コンテキストウィンドウを利用すると、結果が成功することがよくあります

価格と可用性

• APIアクセス：Anthropic API、Amazon Bedrock、Google Cloud Vertex AI
• 消費者アクセス：Claude.ai（Web、iOS、Android）
• 価格設定：
  • 100万ドルあたりの入力トークン
  • 100万ドルあたり15ドルの出力トークン
  • 迅速なキャッシングで最大90％のコスト削減
  • バッチ処理による50％のコスト削減

Claude 3.7 Sonnetは、単なる言語モデルではありません。これは、微妙な指示に従うだけでなく、独自の修正を実装し、さまざまな分野での専門家の監視を提供することができる洗練されたAIコンパニオンです。

また読む：

• Claude 3.7ソネットによるドキュメント分析
• Claude 3.7 Sonnet：まだ最高のコーディングモデル？
• Claude 3.7 Sonnet APIにアクセスする方法は？
• Claude 3.7 Sonnet vs Grok 3：コーディングが優れているLLMはどれですか？

2。GEMINI2.0フラッシュ

ジェミニ2.0フラッシュの理解

Google Deepmindは、Multimodal AIとの対話性の限界を超越するGemini 2.0フラッシュで技術的な飛躍を達成しました。これは単なる更新ではありません。むしろ、AIができることに関するパラダイムシフトです。

重要な技術の進歩

• 入力マルチモダリティ：シームレスな操作のためにテキスト、画像、ビデオ、およびオーディオ入力を取得するために構築されています。
• 出力マルチモダリティ：画像、テキスト、および多言語オーディオを作成します。
• ビルトインツール統合： Googleで検索するためのアクセスツール、コードの実行、およびその他のサードパーティ関数。
• パフォーマンスの強化：以前のモデルよりも優れており、迅速に行います。

ハンズオンガイド：Gemini 2.0フラッシュを使用したコード実行

前提条件

• Googleクラウドアカウント
• 頂点AIワークベンチアクセス
• Python環境

インストールとセットアップ

サンプルコードを実行する前に、Google AI Python SDKをインストールする必要があります。

 ！ピップインストールGoogle-Generativeai

例：最初の50の素数の合計を計算する

Google Import Genaiから
Google.genaiインポートタイプから
＃APIキーを設定します
client = genai.client（api_keygoogle deepmind = "gemini_api_key"）
＃コード生成と実行を必要とするプロンプトを作成する
Response = client.models.generate_content（
Model ='Gemini-2.0-flash '、
Contents = '最初の50の素数の合計は何ですか？ '
「計算のためにコードを生成して実行し、50をすべて取得するようにしてください。」
config = types.generatecontentconfig（
ツール= [Types.Tool（
code_execution = types.toolcodeexecution
）]]
））
））
＃応答を印刷します
print（respons.text）

出力

実世界のアプリケーション

Gemini 2.0フラッシュにより、開発者は以下を行うことができます。

• 動的でインタラクティブなアプリケーションの作成
• 詳細なデータ分析の実行
• その場でコードの生成と実行
• 複数のデータ型のシームレスな統合

可用性とアクセス

• 実験モデル：Gemini API経由で入手できます
• プラットフォーム：Google AI Studio、Vertex AI
• 入力モード：マルチモーダル入力、テキスト出力
• 高度な機能：テキストからスピーチ、ネイティブ画像生成（早期アクセス）

Gemini 2.0は、単なる技術的な進歩ではなく、AIの未来への窓でもあります。これは、モデルが前例のない洗練された複数のドメインで理解、推論、および行動することができます。

また読む：

• Gemini 2.0 - Googleの最新のLLMSについて知る必要があるすべて
• Gemini 2.0 Flash vs GPT 4o：どちらが良いですか？

3。openaio3-mini-high

Openai O3-Mini-Highは、数学的に問題を解決するための例外的なアプローチであり、高度な推論能力を持っています。モデル全体は、前例のない深さと精度で最も複雑な数学的問題のいくつかを解決するために構築されています。数字をコンピューターにパンチするだけでなく、O3-Mini-Highは、合理的に困難な問題をセグメントに分割し、段階的に答えることを可能にする数学についての推論に対するより良いアプローチを提供します。

数学的推論の本質

数学的推論は、このモデルが本当に輝く場所です。その強化されたチェーンオブテルアーキテクチャにより、数学的な問題をはるかに完全に検討することができ、ユーザーが回答を受け取るだけでなく、それらの回答がどのように導き出されたかについての詳細な説明も可能にします。このアプローチは、問題解決プロセスの理解が結果と同じくらい重要である科学、工学、および研究の文脈において非常に大きくなっています。

数学ドメイン全体のパフォーマンス

モデルのパフォーマンスは、あらゆる種類の数学において本当に驚くべきものです。簡単な計算と複雑な科学的計算を非常に正確かつ非常に深く行うことができます。その顕著な特徴は、最高の標準AIモデルでさえも困惑する非常に複雑なマルチステップの問題を解決することです。たとえば、この素晴らしいAIツールを使用して、多くの複雑な数学の問題を直感的なステップに分類できます。このモデルがいくつかの巨大なモデルに匹敵するレベルで実行されるAIMEやGPQAのようないくつかのベンチマークテストがあります。

問題解決へのユニークなアプローチ

O3-mini-highを何よりも際立たせるのは、数学的推論に対する微妙なアプローチです。このバリアントは、数学的な問題を処理および説明するために標準モデルよりも時間がかかります。それは応答が長くなる傾向があることを意味しますが、より良い、より実証的な推論をユーザーに利用します。このモデルは答えません。ユーザーはすべての推論と処理を通じて使用します。これにより、本格的な数学を必要とする教育目的、研究、または専門的なアプリケーションのための非常に貴重なツールになります。

考慮事項と制限

• トークンの使用の増加
• 応答時間がわずかに低くなります
• より高い計算コスト

数学的な問題解決における実用的なアプリケーション

実際には、O3-Mini-Highは、アプリケーションが高度な数学的推論を必要とするシナリオに大きな価値を見つけます。困難な問題を分析するこの能力は、科学的研究者、エンジニア、上級の学生にとって特に役立ちます。複雑に定義されたアルゴリズムの開発、多段階の数学的問題に対処する、または徹底的な科学的計算の実施など、このモデルは、ほとんどの人が従来の計算ツールに期待するものをはるかに超えた数学的洞察を文字通り提供します。

技術的なアーキテクチャと数学的推論

高密度の変圧器フレームワークは、モデルアーキテクチャの基礎を形成し、すべての数学的問題のパフォーマンスを密接に定義された方法で可能にします。このような高度なモデルは、さまざまな制約と理由を扱い、検証済みの手順を扱っており、計算だけで真の数学的理解を表すことができない非常に高度な数学に最適です。

ハンズオン：数学的な問題解決にO3-mini-highを使用するための実用的なガイド

ステップ1：APIアクセスにサインアップします

Openaiベータプログラムの一部でない場合は、OpenAIのAPIページにアクセスしてアクセスをリクエストする必要があります。サインアップしたら、O3-MINIモデルにアクセスするための承認を待つ必要がある場合があります。

ステップ2：APIキーを生成します

アクセスしたら、OpenAI APIプラットフォームにログインし、APIキーを生成します。このキーは、APIリクエストを行うために必要です。キーを生成するには、APIキーに移動し、「新しいシークレットキーの作成」をクリックします。生成したら、必ずキーをコピーして安全に保存してください。

ステップ3：Openai Python SDKをインストールします

Openai APIと対話するには、Openai Python SDKをインストールする必要があります。次のコマンドを使用してこれを行うことができます。

 ！PIPインストールOpenAI

ステップ4：OpenAIクライアントを初期化します

OpenAI SDKをインストールした後、APIキーを設定してクライアントを初期化する必要があります。

 OSをインポートします
Openaiをインポートします
＃APIキーを環境変数として設定します
os.environ ["openai_api_key"] = "your_api_key_hore"

ステップ5：O3-mini-highモデルにリクエストを行います

＃またはクライアントを直接構成します
client = openai.openai（api_key = "your_api_key_here"）
＃チャットの完了リクエストの例
Response = client.chat.completions.create（
Model = "o3-mini-high"、
メッセージ= [
{「役割」：「システム」、「コンテンツ」：「あなたは親切なアシスタントです。 "}、
{"role"： "user"、 "content"： "fibonacciシーケンスを計算する関数を記述します。"}
]、、
温度= 0.7、
max_tokens = 1500
））
＃応答を印刷します
print（respons.choices [0] .message.content）

理想的なユースケース

O3-mini-highは特に適しています：

• 高度な科学的計算
• 複雑なアルゴリズム開発
• 多段階の数学的問題解決
• 研究レベルの数学分析
• 詳細な問題の説明を必要とする教育的コンテキスト

間違いなく、Openai O3-Mini-Highは、数学的な推論に非常にかなりのプラスを伴い、従来の計算に期待できるものをはるかに超えています。高度な推論技術と数学的問題を解決する方法論を完全に理解することを組み合わせることで、このモデルは単なる迅速な答えを必要とする人に真のソリューションを提供します。

また読む：

• 5 O3-miniが今日試してみるようにプロンプ​​トします
• どのO3-MINI推論レベルが最も賢いですか？
• O3-MINIは画像分析のためにO1よりも優れていますか？

4。ELEVENLABSAPI

AIが猛烈な速度で進化するにつれて、11の革新は、オーディオテクノロジーの作業方法の形を永遠に変えている革新的な技術として際立っています。その中心にあるElevenLabs APIは、開発者とプロデューサーがこれまでにないように非常に自然な音のスピーチを作成するのに容易で柔軟になる音声合成ツールの精巧なエコシステムを体現しています。

技術的能力

• テキストからスピーチへの変換
• 複雑な音声クローニングテクノロジー
• リアルタイムの音声変換
• カスタム音声モデル
• オーディオコンテンツの作成のための複数の言語サポート

技術的なアーキテクチャと機能

イレブンラブと従来の音声合成ツールの唯一の違いは、音声生成に使用される基盤です。前者は、人間の発話のすべてのきめ細かい微妙な微妙さを含む最先端の機械学習アルゴリズムを適用します。このAPIにより、開発者は顕著な精度で音声に影響を与えるパラメーターを微調整できます。ユーザーは、感情の強さ、参照音声の類似性、スピーキングスタイルの強度を表すパラメーターを変更することができ、それにより、オーディオ生成に対する前例のない程度の制御を与えます。

インストールと統合

ステップ1：11枚のサインアップ

ElevenLabs.ioでアカウントを作成し、適切なサブスクリプションプランを選択します。

ステップ2：APIキーを生成します

ElevenLabsダッシュボードで、プロファイルセクションに移動して、APIキーを作成およびコピーします。

ステップ3：SDKをインストールします

！pipインストール11ENLABS

ステップ4：クライアントを初期化します

ElevenLabsからImport set_api_keyから、生成、再生、保存
＃APIキーを設定します
set_api_key（ "your_api_key_hore"）

ステップ5：音声オーディオを生成します

＃事前に作られた音声でスピーチを生成します
audio = generate（
text = "Hello World！これはElevenLabs Text-to-Speech APIです。"、
Voice = "Rachel"
））
＃オーディオを再生するか、ファイルに保存します
プレイ（オーディオ）
save（audio、 "output_speech.mp3"）

ステップ6：音声カスタマイズ

ElevenLabs.apiからインポート音声、Voicesettingsから
audio = generate（
text = "これはカスタム音声設定を使用します。"、
Voice = Voice（
Voice_、＃レイチェルの音声ID
設定= VoicesEttings（
安定性= 0.7、
類似性_boost = 0.5
））
））
））

音声カスタマイズ機能

ElevenLabsの背後にある本当の力は、非常に広範なカスタマイズにあります。開発者は、音声設定を詳細に微調整できます。安定性設定は感情的な変動のハイライトを制御しますが、類似性の向上により音声複製の精度が向上します。このようなツールは、さまざまなユースケースに合わせて調整可能な機能を備えた非常に人間のような声を生成するために使用できます。

実用的なアプリケーション

• 物語は、一貫した高品質のナレーションを備えたコンテンツ作成者によってオーディオブックとして作成されています。
• 学校は、eラーニングプラットフォームを通じてインタラクティブな学習体験を提供できます。
• ダイナミックなキャラクターは、ゲーム会社によって物語の文脈に声を適応させることができます。
• アクセシビリティツールは、視覚障害のあるユーザーのために、活気のあるより個人的なオーディオエクスペリエンスでも提供できます。

ベストプラクティスと考慮事項

このような力に伴い、慎重な実装に関する考慮事項が必要です。 APIキーセキュリティは優先順位を付けられ、レート制限を尊重する必要があり、エラー処理が実装に優先順位を上げる必要があります。生成されたオーディオを現金化すると、いくつかのAPI呼び出しが排除され、パフォーマンスブースターであることが証明されます。これらの側面を十分に認識することは、プラットフォームが提供する機能の最適な利用と相まって、スムーズな統合を付与する可能性があります。

コストとアクセシビリティ

ElevenLabsは、包括的かつ柔軟であると考えられている価格設定システムを考案しました。無料のティアは、開発者が再生およびプロトタイプをサポートしますが、高度なユースケースはペイアシュガーモデルとサブスクリプションモデルを使用します。トークンベースの価格設定は、開発者がスケールに関係なく、プロジェクトのニーズに応じて消費されたリソースのみを支払うことができるため、利点です。

トラブルシューティングとサポート

プラットフォームは、高度なAIテクノロジーを扱うことが課題を提示できることを認識しています。

• 包括的なドキュメントとサポートメカニズムを提供します
• APIキーアクセス許可の検証
• ネットワークの接続を確認します
• オーディオファイル形式の互換性を確保します

音声テクノロジーの未来

API以上に、ElevenLabsは、人間とコンピューターの相互作用の未来を垣間見ることができます。このプラットフォームは、高度なコミュニケーション、エンターテイメント、アクセシビリティへの扉を開くことができるハイエンドの音声合成技術を民主化することにより、実際に障壁を抑えています。

オーディオテクノロジーのエッジをプッシュしたい開発者と作成者には、ElevenLabsは適切に強力で柔軟なソリューションを提供します。その機能とカスタマイズオプションを考慮してください。その後、イノベーターは、自然に聞こえる魅力的なオーディオエクスペリエンスを作成するために使用することができます。

5。OpenaiDeep Research

大規模な言語モデル向けにますます発展しているアリーナでは、OpenaiのDeep Researchは、徹底的な研究のために特別に設計された先駆的なソリューションです。テキスト生成またはコーディングのいずれかで優れている通常のLLMSとは反対に、深い研究は、AIがWeb全体から情報を自律的にナビゲート、合成、および文書化する方法に関して、それ自体が絶対に新しいパラダイムです。

研究大国

深い研究は、ブラウジング機能を備えたChatGptの最新の開発をはるかに超えています。むしろ、Openaiの今後のO3推論モデルに基づいて構築された独立したエージェントであり、AI Researchが本質的にできることを逆さまにします。典型的なLLMがプロンプトのみに関心を持っている場合、ディープリサーチは、はるかに徹底的で完全なドキュメントでトピックに関与しています。

このツールは、研究のための独立したワークフローの観点から、他のツールとは違います。

• 多段階調査：オープンウェブ上の何百ものソースをナビゲートします
• カバーリーディング：テキスト、PDF、画像、およびその他のさまざまなコンテンツ形式を通じて
• 構造化された合成：データはコヒーレントでよく組織化されたレポートに変換されます
• クリアドキュメント：すべてのソースドキュメントが完全に引用されます。

ベンチマーク破壊的なパフォーマンス

Deep Researchの能力は、単なるマーケティングの主張ではなく、研究の優位性を示す印象的なベンチマークパフォーマンスに支えられています。

• 人類の最後の試験：26.6％の精度を達成し、OpenaiのO1（9.1％）、Deepseek-R1（9.4％）、Claude 3.5 Sonnet（4.3％）などの以前のモデルを劇的に上回る以前のモデルよりも優れています
• ガイアベンチマーク：すべての難易度レベルにわたって新しい最先端のレコードを設定し、複雑なレベル3タスクで特にマルチステップ推論を必要とするパフォーマンス

タスクの複雑さでスケーリングするパフォーマンスの能力は特に興味深いものです。 Openaiの内部評価によると、Deep Researchの精度はツール呼び出しの数とともに増加します。したがって、研究パスは、最終出力で並列高品質を調査しました。

研究エージェントを実装します

記事の詳細なガイドに従って、深い研究エージェントを構築してください。
？独自の深い研究エージェントを構築してください

この記事はあなたを歩き回ります：

1. Openaiをセットアップし、APIキーをタービリーで検索します。
2. タスクオートメーション用のLangchainとLanggraphの構成。
3. 研究を実行し、データを要約し、レポートを生成するためのシステムを構築します。

従来のLLMが不足しているときは？

標準言語モデルは、テキストの生成、質問への回答、トレーニングデータに基づいてコードを作成することに優れています。しかし、彼らは根本的に次のように苦労しています：

• トレーニングデータを超えて、現在の専門知識にアクセスします
• 複数の情報源の体系的に探索します
• 出力に検証可能な引用を提供します
• 人間の研究者を圧倒する複数時間の研究タスクを実施します

細心の研究助手は、実際に深い研究であるものであり、それがさまざまな制限を克服する方法です。典型的なチャットボットのように振る舞う代わりに、調査と評価を調査するのに役立ちます。これは、知識労働者がAIなどを使用する方法を根本的に変えます。

現実世界のアプリケーションの利点

深刻な研究を行う専門家にとって、深い研究は従来のLLMよりも明確な利点を提供します。

• 財務の専門家は、権威ある情報源への引用を伴う包括的な市場分析を受け取ることができます
• 科学者は、数日ではなく数分で数百の出版物にわたって文献レビューを収集できます
• 法律研究者は、適切な引用でケースの先例と法定参照を編集できます
• ハイステークの購買決定を行う消費者は、詳細な多要因比較を受けることができます

このツールは、1〜3時間の人間の研究時間を必要とするシナリオで特に輝いています。これは、迅速なWeb検索には複雑すぎますが、独自の知識ソースが必要なほど専門化されていません。

AI研究助手の将来

深い研究は、研究に自律的に焦点を当てる新しい種類のAIツールの最初のものです。まだ初期段階で非常に多く、急速に変化する状況に関するエラーと混乱の時折の影響を受けますが、それにもかかわらず、AIは単純なテキスト生成を超えて研究の本物のパートナーシップに移行しています。

Openaiが開発を続けている間に計画されている将来の改善は次のとおりです。

• データの視覚化の改善
• 埋め込まれた画像サポート
• プライベートおよびサブスクリプションベースのデータソースへのアクセス
• モバイル統合

深い研究とは、ナレッジワーカーと研究の専門家に、将来の情報の収集と統合をマシンがどのように変えるかについてのスニークプレビューを提供するようなAIです。

6。困惑AI

Perplexity AIは、Google、Bing、ChatGptブラウジング機能などの現職者に立ち向かう大きな可能性により、AI検索ツールの激しく競争力のあるドメインに最新の参加者です。しかし、困惑を際立たせるのは、実際のWebサーフィン機能だけではありません。代わりに、検索エクスペリエンスを再発明している情報を提供、紹介、統合するメカニズムです。

検索技術の新しいパラダイム

通常、さらなる調査が必要なハイパーリンクの形をもたらす従来の検索エンジンに反して、根本的に異なるアプローチがあります。

• 直接回答：ユーザーが複数のWebサイトを掘り下げる必要なく、包括的および消化可能な情報が提供されます。
• リッチなビデオ統合：検索には、関連する画像、ビデオ、その他のメディアがこの目的を促進するために、直接含めます。
• 明確なソースの帰属：すべての情報には、検証を容易にするための明確な引用が付属しています。
• 広告なしのエクスペリエンス：情報は、スポンサー付きのコンテンツや広告の混乱から無料で提示されます。

したがって、研究は、マルチステッププロセスから、認知エネルギーの時間と投資の点で、膨大な節約を伴う本質的に有益な体験に変換されます。

パフォーマンスを駆動する重要な機能

クイック検索とプロ検索

困惑は2つの異なる検索エクスペリエンスを提供します。

クイック検索は、簡単なクエリに対する迅速で簡潔な回答を提供します。事実確認または基本的な情報のニーズのためのideal。

PRO検索は、検索テクノロジーの重要な進化を表します。

• 会話の発見にユーザーを引き付けます
• 検索意図を理解するために質問を明確にする
• ユーザーの好みに基づいて、パーソナライズされた包括的な結果を提供します
• バランスの取れた情報を提供するために、多様なソースから引き出されます
• 複雑なトピックを消化可能な形式に要約します

インストールと統合

Web検索にPrplexity AIを実装するには、APIを使用する必要があります。以下は、Pythonを使用したWeb検索用のPrplexity AIをインストールおよび実装する方法に関する段階的なガイドです。

ステップ1：APIキーを取得します

1. Perplexityに登録：PerplexityのWebサイトにアクセスして、アカウントに登録します。
2. APIキーの生成：登録後、アカウント設定に移動してAPIキーを生成します。

ステップ2：必要なパッケージをインストールします

HTTPリクエストを作成するためのリクエストと、オプションでAPIキーを管理するためのpython-dotenvが必要です。

 ！pipインストールはpython-dotenvを要求します

ステップ3：困惑AI検索を実装します

Web検索にPerplexityのAPIを使用する方法の基本的な例を次に示します。

リクエストをインポートします
OSをインポートします
dotenvインポートload_dotenvから
＃使用している場合は.envファイルからAPIキーをロードします
load_dotenv（）

＃APIキーを設定します
perplexity_api_key = os.getenv（ 'perplexity_api_key'）
def perplexity_search（query）：
url = "https://api.perplexity.ai/chat/completions"
ヘッダー= {
「Accept」：「Application/JSON」、
「コンテンツタイプ」：「アプリケーション/json」、
「認可」：f'bearer {perplexity_api_key} '
}

data = {
「モデル」：「Mistral-7B-Instruct」、
「ストリーム」：偽、
「max_tokens」：1024、
"freick_penalty"：1、
「温度」：0.0、
「メッセージ」：[
{
「役割」：「システム」、
「コンテンツ」：「簡潔な答えを提供します。」
}、
{
「役割」：「ユーザー」、
「コンテンツ」：クエリ
}
]
}
response = requests.post（url、headers = headers、json = data）
response.status_code == 200の場合：
RESPORSIN.json（）を返します
それ以外：
なしなし
＃例の使用
query = "天の川にはいくつの星がありますか？"
応答= perplexity_search（query）
応答の場合：
印刷（応答）
それ以外：
print（ "応答の取得に失敗しました。"）

Perplexity AIは、さまざまなニーズや複雑さレベルに応えるためのさまざまなモデルを提供します。デフォルトモデルは、速度とWebブラウジングのために最適化されており、迅速な検索に適した高速で正確な回答を提供します。より高度なタスクについては、Perplexity Proの購読者は、GPT-4 Omni、Claude 3.5 Sonnet、その他のAI企業のモデルなどにアクセスできます。これらのモデルは、複雑な推論、創造的な執筆、より深い分析に優れているため、微妙な言語理解や高度な問題解決を必要とするタスクに最適です。さらに、Perplexity Proを使用すると、ユーザーは複数のソースにアクセスして詳細なインターネット検索を実行し、検索結果の幅と深さを強化できます。このさまざまなモデルにより、ユーザーは、単純なクエリであろうと、より複雑な研究​​タスクであろうと、特定の要件に最適な要件を選択することができます。

統合機能

困惑は、強力な統合を通じてスタンドアロン検索を超えて拡張されます。

• Github Copilot Extension ：開発者は、IDEを離れることなく、最新の情報、ドキュメント、業界の動向にアクセスできるようにします
• ファイルアップロード機能：ユーザーが内部で検索し、独自のドキュメントをコンテキスト化できるようにします
• スペースとスレッド：チーム環境向けの共同機能を備えた研究プロジェクトを編成する

現実世界のアプリケーション強度

困惑は、いくつかの重要な分野で特定の卓越性を示しています。

1。情報の発見

Notre-Dame Cathedral Restorationのような現在のイベントを検索するとき、Prplexityは、重要な日付、重要な詳細、マルチメディアコンテンツを包括的に概要を提供します。

2。専門研究

ビジネスおよびプロのユーザーの場合、困惑は次のように優れています。

• 競争分析
• 市場調査
• 製品の比較
• 技術文書

3。アカデミックアプリケーション

学生と研究者の恩恵：

• 多様な情報源にわたる文献レビュー
• 複雑なトピックに関するバランスの取れた視点
• 参照検証のための明確な引用

4.実際の計画

困惑のアプローチにより、毎日のタスクがより効率的になります。

• 包括的な目的地情報を備えた旅行計画
• 比較分析による製品研究
• レシピの発見とカスタマイズ

他の主要なツールとどのように比較されますか？

他のトップ検索およびAIソリューションと対照的になった場合：

対google/bing：

• 複数の検索結果をナビゲートする必要性を排除します
• スポンサー付きのコンテンツと広告を削除します
• 単なるリンクではなく、直接的な回答を提供します
• マルチメディアコンテンツをよりシームレスに統合します

対chatgpt：

• リアルタイム検索で、より多くの最新情報を提供します
• より明確なソース引用を提供します
• 統合されたメディアにより、情報をより効果的にフォーマットします
• 事実上のクエリにはより速い結果を提供します

パワーユーザー向けの最適化のヒント

Perplexityの能力を最大化するには：

1. 戦略的プロンプト：
   • 焦点を合わせた結果に特定のキーワードを使用します
   • コンテキスト検索に関連するファイルをアップロードします
   • 複雑な研究​​ニーズのPRO検索を活用します
2. パーソナライズオプション：
   • 言語の好み、出力形式、およびトーンを調整します
   • 関連性を向上させるためにプロファイル情報を更新します
   • テーマにしたスペースで研究を整理します
3. コラボレーション機能：
   • コラボレーションが有益な場合は、スレッドを公開します
   • チーム調査のためにスペースに貢献者を招待します
   • プロジェクトのニーズに基づいてプライバシー設定を柔軟に調整します

AI駆動の検索の未来

困惑は検索ツール以上のものです。オンラインで情報と対話する方法のパラダイムの変化を告げます。 Perplexityは、AIを使用した検索の最良の側面を橋渡しするための基盤を築きました。

情報の発見のためにより効率的で完全で透明な手段を探しているユーザーにとって、困惑は検索の未来を垣間見ることができます。情報を見つけることは、リンクをクリックすることで、文脈的に検証された知識を直接受信することについてです。

また読む：

• Perplexity Deep ResearchがOpenai＆Geminiを取り入れています
• perplexity aiモバイルアシスタント - 私たち全員が必要とするマスターAIアプリ
• Perplexity Sonar API：信頼性が高く、スケーラブルで、開発者に優しい

結論

ジェネラリストAIの時代は、特殊なソタLLMが中心的なステージを舞台にしているため、衰退しています。 OpenaiのDeep Researchは、複雑で引用に裏打ちされた問い合わせを自動化しますが、Prplexity AIはWeb検索を豊富なメディアの結果で変換します。これらは単なるアップグレードではなく、知識へのアクセスと適用方法のパラダイムシフトです。

成功は、単一のAIを選択するのではなく、タスクに適したツールを活用することにかかっていません。これらの専門システムを統合することにより、ナレッジワーカーは、前例のない生産性、より深い洞察、よりスマートな意思決定を達成できます。未来は、1つの支配的なAIではなく、専門家主導のモデルの生態系に属します。

以上がコード、Web検索、調査などのトップ6 SOTA LLMS -Analytics Vidhyaの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。