Perplexity 公开自研 SoTA 嵌入与排序模型推理服务架构
perplexity_ai · x · 2026-09-05
Perplexity 发布研究文章，介绍其搜索答案链路底层——嵌入与排序模型——的 SoTA 推理服务基础设施，覆盖在线与批量两类嵌入工作负载的延迟与吞吐优化。
官方账号发布的系列推文还拆解了架构细节：
- Ivy：Rust HTTP 网关，负责解析、分词、模板化等 CPU 侧预处理，经 gRPC 转发；
- Tulip：轻量 Rust gRPC 推理服务器，负责批处理调度，用 CUDA graphs 降低 CPU 启动开销、LazyTensors 异步流水线提高吞吐；
- ROSE：Python 模型引擎，LLM 与嵌入模型复用同一套 kernel，嵌入场景跳过 KV cache、用 ragged attention 替代 paged attention，支持多注意力后端按模型形状选择。
官方称组合方案相比现成方案在更快搜索的同时降低了成本。
所属事件:Perplexity 公开自研嵌入推理栈：Ivy、Tulip、ROSE 三层架构(8 条相关)→
「Infra」频道最新
- SGLang 合并 Megakernel 低延迟模式，GB300 单用户近 1000 tok/s — ying11231 · 2026-10-21
- 拆解 Agent 拓扑:模型、循环与工具各跑在哪,决定成本与安全 — davidcrawshaw · 2026-10-21
- Chris Lattner 登台 PyTorchCon：用 MAX 和 Mojo 跨厂商扩展 PyTorch — PyTorch · 2026-10-21
- General Compute 宣布与 Positron AI 集群级合作，2027Q1 上线 — eptwts · 2026-10-21
- MemTensor 推出记忆原生架构 MemT-1.0：推理提速 1.86 倍，128K 存储省 66 倍 — _akhaliq · 2026-10-21
- LithosAI 承包 Artificial Analysis 12 项第一：GLM 5.3 Flash 跑出 1543 tok/s — JiaZhihao · 2026-10-21