Perplexity snižuje náklady na výzkum prostřednictvím API pro agenty a přidává režim Ultra

Perplexity oznámila 5. listopadu 2026, že všechny úrovně náročnosti API pro agenty nyní stojí za dotaz méně a že kvalita výzkumu je u jednotlivých přednastavených režimů vyšší nebo zůstává stejná. Režim Medium dosáhl na BrowseComp a DSQA zlepšení z 55 % na 77 %, přičemž jeho náklady klesly téměř o 90 %. Pro rozsáhlý výzkum je nově k dispozici režim Ultra.

Úrovně náročnosti spojují volbu modelu, limity počtu výzkumných kroků a volání nástrojů, způsob vyhledávání a dostupné nástroje do pojmenovaných přednastavených režimů. Vývojářům umožňují zvolit rovnováhu mezi náklady, rychlostí a hloubkou výzkumu, aniž by museli každou součást konfigurovat zvlášť. Požadavek, například effort="fast" automaticky obdrží upravené nastavení.

Perplexity uvádí, že při úrovni xhigh zůstalo skóre WANDR na hodnotě 76,5 %, zatímco náklady na konfiguraci činily přibližně 25 % srpnových nákladů roku 2026. Tato úroveň je určena pro otevřenou práci agentů, včetně spouštění kódu v izolovaném prostředí, dlouhých cyklů používání nástrojů a shromažďování důkazů z mnoha zdrojů.

Článek WANDR popisuje evaluační sadu 500 úloh vytvořenou na základě realistických úkolů sběru dat. Agenti musí vyhledat odpovídající entity a vrátit záznamy, jejichž zdroje a úryvky lze nezávisle ověřit. Hodnotitelé přizpůsobení konkrétním úlohám znovu načítají citované stránky a posuzují záznamy podle těchto důkazů, takže není potřeba statická sada správných referenčních odpovědí.

Ultra využívá čtyři agenty pro rozsáhlejší výzkum

Ultra doplňuje režimy fast, low, medium, high a xhigh v oficiální dokumentaci k úrovním náročnosti. Je určen pro rozsáhlý výzkum a sběr dat, kde je úplnost důležitější než latence. Konfigurace využívá anthropic/claude-opus-5-5a pro dlouhé běhy je k dispozici režim na pozadí.

Ultra zadává stejný výzkumný problém třem agentům, kteří pracují souběžně, takže každý z nich může samostatně shromáždit důkazy. Čtvrtý agent jejich výstupy spojí, odstraní duplicitní zjištění a napíše odpověď. Perplexity uvádí skóre WANDR 85,9 % při nákladech 21,71 $ na úlohu, což je nejlepší výsledek ze všech testovaných konfigurací.

Změny rozpočtu a kontextu snižují náklady na výzkum

Výdaje jsou na každé úrovni omezeny limitem počtu kroků, stropem celkového počtu volání nástrojů a pravidelnými oznámeními o zbývající kapacitě. Samostatný strop pro volání nástrojů je důležitý, protože jeden krok může spustit několik volání různých nástrojů. Tato oznámení agentovi pomáhají vyhradit dostatečný rozpočet na ověření důkazů a dokončení odpovědi, místo aby se práce zastavila uprostřed úkolu.

Jeden experiment s openai/gpt-6-luna ukazuje, proč jsou tyto limity důležité. Perplexity uvádí, že zvýšení povoleného počtu kroků z 1 na 15 zvýšilo přesnost na BrowseComp a DSQA ze 41 % na 80 %, zatímco náklady na dotaz vzrostly z 0,0017 $ na 0,0152 $. Rozdělení rozpočtu tedy ovlivňuje jak kvalitu odpovědi, tak cenu jejího získání.

Zhušťování kontextu řeší další faktor, který zvyšuje náklady. Jakmile kontext překročí stanovený limit, systém shrne dosavadní práci do přehledu zjištění a zbývajících úkolů a zachová přitom systémovou výzvu, původní požadavek i všechny načtené dovednosti. Poté agentovi sdělí, aby pokračoval v práci, a uvede počet provedených zhuštění, aby agent nepovažoval shrnutí za pokyn k ukončení.

Extrakce omezuje množství informací, které si agent přenáší dál. Místo celé stránky mu fetch_url zadá menší model, aby vybral pasáže relevantní pro aktuální úkol a doslovně je ocitoval. Perplexity uvádí, že při vysoké úrovni náročnosti klesne počet vstupních tokenů na dotaz přibližně o 50 % a výsledek dosáhne 88,0 % při ceně 0,073 $ za dotaz. Bez extrakce činí výsledek 83,5 % při ceně 0,094 $.

Související změny se zaměřují přímo na vyhledávání. Každé vyhledávání nyní může vrátit až 4K tokenů výsledků namísto 2K, nový systém pro výběr úryvků vybírá text, který lépe odpovídá dotazu, a Fast Search stojí 1,00 $ za 1 000 požadavků. Cílem těchto změn je společně najít užitečné důkazy s menším počtem vyhledávání a menším množstvím nerelevantního kontextu.

Hodnocení pracovních postupů a stabilita konfigurace

Výběr pracovních postupů využívá strom dovedností s postupným odkrýváním informací. Zpočátku se v kontextu nachází pouze název a popis dovednosti; úplné pokyny se načtou až poté, co model rozhodne, že se daný pracovní postup hodí pro úkol. Perplexity uvádí, že přednačtení všech dovedností zvýšilo náklady na BrowseComp a DSQA o 13 % a snížilo skóre WANDR. To podporuje rozhodnutí načítat pracovní postupy pouze v případě potřeby.

Automatizovaný testovací systém vyhodnocuje nově dostupné modely, jakmile jsou přístupné, a testuje různé úrovně náročnosti uvažování, rozpočty na počet kroků a volání nástrojů i jejich konfigurace. Stávající model nahradí nový pouze tehdy, pokud nabídne vyšší kvalitu při stejných nebo nižších nákladech. Perplexity uvádí, že jeden kandidátní model dosáhl na BrowseComp výsledku o 13,3 bodu vyššího než základní model, ale v interních výzkumných úlohách z oblasti podnikání, práva a financí za základním modelem zaostal. To ukazuje, proč samotné výsledky veřejných benchmarků neurčují výběr.

Dokumentace rozlišuje dynamické názvy, připnuté verze a zmrazené konfigurace. Dynamická volání přebírají později vyhodnocené změny bez úprav kódu; připnutá volání zachovávají jednu verzi i poté, co se aktivní konfigurace posune dál; zmrazená volání kopírují veřejná pole, ale mohou vynechat nastavení, která nejsou součástí zdokumentovaného schématu požadavku. Ultra nemá zmrazenou konfiguraci a musí se volat podle názvu.

Pro vývojáře spočívá praktický rozdíl v automatických aktualizacích oproti reprodukovatelnosti: dynamické úrovně přebírají vyhodnocené revize Perplexity, zatímco připnuté verze zachovávají známou konfiguraci. Ultra tento systém rozšiřuje o širší pokrytí a jeho čtyřagentové uspořádání přidává orchestraci k výběru modelu jako další faktor při zvažování nákladů a kvality.