Perplexity 使用 Qwen3.5 模型进行先 SFT 后 RL 的训练流程，借助多跳 QA 数据集和评分规则检查来提升搜索的准确性与效率，实现同类最佳的 FRAMES 表现。 摘要：Perplexity 面向网页搜索代理的后训练工作流将使用监督微调 (SFT) 来强化指令遵循与语言一致性，并通过 GRPO 算法结合在线强化学习 (RL)。强化学习阶段使用专有的多跳可验证 QA 数据集以及基于评分规则的对话数据，以防止 SFT 漂移，并采用奖励门控与组内效率惩罚。评估显示，Qwen3.5-397B-SFT-RL 在 FRAMES 上取得顶级表现：单次工具调用准确率为 57.3%，四次调用为 73.9%，成本为每次查询 $0.02，且在这些指标上优于 GPT-5.4 和 Claude Sonnet 4.6。定价基于 API，并且不包括缓存。

去中心化 AI 协议 Prime Intellect 推出具有 106B 参数的混合专家模型 INTELLECT-3，该模型基于 GLM 4.5 Air Base 模型，并采用 SFT 和 RL 进行训练。Prime Intellect 在今年 3 月完成 1500 万美元融资。