[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-perplexity::ru":3,"gloss-cluster-perplexity::ru":23,"gloss-next-perplexity::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"perplexity","core-ai","Перплексия (Perplexity)","Перплексия измеряет, насколько хорошо языковая модель предсказывает образец текста: это экспонента среднего отрицательного лог-правдоподобия на токен, интуитивно — число вариантов, между которыми модель «колеблется» на каждом шаге. Перплексия 1 означает идеальное предсказание; 20 — что модель в среднем не увереннее равновероятного выбора из 20 токенов. Чем ниже, тем лучше. Это рабочая метрика языкового моделирования ещё с эпохи n-грамм, и она по-прежнему хорошо отслеживает прогресс предобучения и ущерб от квантизации: сжатая модель, чья перплексия почти не сдвинулась, скорее всего уцелела. Но границы важны: значения перплексии сравнимы только между моделями с одним токенизатором, а низкая перплексия не гарантирует следования инструкциям, фактической точности или полезности — поэтому оценка моделей чат-эпохи опирается на бенчмарки и сравнения с судьёй-человеком или LLM. Не путать с Perplexity AI — продуктом-поисковиком ответов. По-настоящему своё место перплексия занимает не на продуктовом дашборде, а внутри исследовательского и тренировочного цикла: отслеживание кривых потерь при предобучении, сравнение чекпоинтов и — самое полезное для разработчиков — проверка того, не навредил ли шаг сжатия. Квантизуйте модель и замерьте перплексию до и после на отложенном тексте из вашей предметной области: если значение почти не сдвинулось, сжатие, скорее всего, сохранило способность модели моделировать язык; если подскочило — вы получили дешёвое раннее предупреждение ещё до запуска дорогой оценки на уровне задач. Осмысленность числа определяют два ограничения. Первое: перплексия несопоставима между моделями с разными токенизаторами или словарями, потому что метрика определена на токен, а разные токенизаторы режут один и тот же текст на разное число токенов — модель, чей токенизатор дробит ваш язык мельче, покажет другую перплексию на идентичном тексте, ни в чём не будучи ни лучше, ни хуже. Больнее всего это бьёт по неанглоязычным текстам, где эффективность токенизации сильно разнится от вендора к вендору. Второе: низкая перплексия ненадёжно предсказывает поведение на реальных задачах — модель может блестяще предсказывать следующий токен и при этом проваливать многошаговые инструкции, поддаваться джейлбрейку или терять фактическую точность, потому что ни одно из этих свойств метрика не измеряет. Посттренировочные вмешательства вроде настройки на инструкции и оптимизации предпочтений способны даже сдвинуть перплексию в одну сторону, а полезность — в другую. Считайте её проверкой здоровья языковой модели под капотом, а не рейтингом ассистентов, — и никогда не подменяйте ею оценку той задачи, которую вы действительно выпускаете. Практическое правило: используйте перплексию не как абсолютный балл качества, а как сигнал о разнице, измеренной на вашем собственном тексте. Тот же токенизатор, тот же оценочный корпус, та же длина контекста — только при этих трёх зафиксированных условиях изменение между двумя замерами что-то значит.","Перплексия — мера того, насколько хорошо языковая модель предсказывает текст: средняя неопределённость на токен. Чем ниже, тем лучше.",null,[11,14,17,20],{"slug":12,"name":13},"llm","Большая языковая модель (LLM)",{"slug":15,"name":16},"llm-benchmark","Бенчмарк LLM (LLM Benchmark)",{"slug":18,"name":19},"token","Токен",{"slug":21,"name":22},"tokenizer","Токенизатор (Tokenizer)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]