Perplexity bringer sin lokale Portable Computer‑agent til Windows‑PC’er

Perplexity gjorde Portable Computer, den lokale on‑device‑version af sin Perplexity Computer‑agent, tilgængelig i Perplexity‑appen til Windows den 14. september 2026 på kompatible NVIDIA GeForce RTX‑PC’er og NVIDIA RTX PRO‑arbejdsstationer med 24 GB eller mere VRAM.

Tilgængelighed for Windows‑abonnenter

Portable Computer til Windows er tilgængelig for Pro‑ og Max‑abonnenter på både individuelle og virksomhedsplaner gennem den eksisterende Perplexity‑app til Windows, som kan downloades via Microsoft Store, ifølge Perplexitys meddelelse. Efter at have downloadet appen, downloader brugerne den lokale model, de ønsker at bruge, med ét klik efter at have valgt den i model‑dropdown‑menuen.

On‑device‑inference kræver en NVIDIA GeForce RTX‑ eller RTX PRO‑GPU med mindst 24 GB VRAM. NVIDIA sagde, at support for deres DGX Station‑arbejdsstation forventes at komme snart.

Fra DGX Spark til Windows‑desktop

Portable Computer er en lokal version af Perplexity Computer, en agent der planlægger og udfører flerstegs‑opgaver. Accelereret af NVIDIA‑GPU’er bruger den lokale modeller til at analysere data, samle information på tværs af filer og håndtere tilbagevendende arbejde, mens følsomme oplysninger forbliver på enheden, og lokalt udført arbejde ikke forbruger Perplexity Computer‑kreditter, ifølge NVIDIAs meddelelse.

Perplexity introducerede Portable Computer i august til NVIDIA DGX Spark, en desktop‑størrelse AI‑computer bygget omkring Grace Blackwell GB10‑platformen med en 20‑kerne Arm‑CPU, en NVIDIA‑GPU og 128 GB samlet hukommelse. Perplexity udviklede udgivelsen sammen med NVIDIA og lancerede den først på Linux, med Windows‑support lovet på det tidspunkt.

Før DGX Spark‑udgivelsen havde Perplexitys Personal Computer til Windows bragt Computer‑s cloud‑agenter til Windows‑desktop, hvor de kunne arbejde på tværs af lokale filer, tilsluttede apps og internettet. Portable Computer kører i stedet modellen, agent‑harness, orkestrator og planlægger fuldstændigt på Windows‑enheden. NVIDIA sagde, at Windows‑udgivelsen bygger på eksisterende support for DGX Spark‑systemer og RTX‑PC’er, der kører Linux.

Lokale modeller, forbindelser og planlagte opgaver

NVIDIA sagde, at Windows‑appen forenkler opsætning med en lokal model som Qwen 3.8 27B, eftertrænet til at arbejde med Perplexity Computer og optimeret til RTX‑GPU’er, så brugerne kan sætte agenten i arbejde uden at skulle undersøge modeller eller konfigurere den komplekse software‑stack, der normalt kræves for at køre lokal AI.

På DGX Spark‑udgivelsen kører Portable Computer Qwen 3.8 27B eller PPLX 27B, en eftertrænet version af Qwen‑modellen, mens orkestrator, planner, værktøjsrouter, planlægger, holdbar opgavekø og lokalt søgeindeks alle kører på enheden. Perplexity sagde, at NVIDIA Nemotron 3.5 Lightning, en 30 B åben model, snart kommer til modelvælgeren, og at diktionstilstand kører lokalt med NVIDIA Nemotron 3.5 ASR‑modellen, så transskription og filhandlinger forbliver på maskinen.

Forbindelser til Microsoft Outlook, OneDrive, Word, Google Drive, Gmail, Slack og GitHub udvider agenten på tværs af de filer og apps, der allerede er en del af brugernes daglige arbejdsgange, ifølge NVIDIA. Portable opretter også forbindelse til andre desktop‑applikationer via lokale Model Context Protocol‑servere, der kører på Windows‑enheden, hvilket Perplexity sagde gør det muligt for den lokale model at bruge disse applikationers værktøjer og data som en del af en automatiseret arbejdsgang, mens arbejdet forbliver på enheden. Agenten kan arbejde med dokumenter, regneark, præsentationer, PDF‑filer, kode og billeder gemt i tilladte mapper og derefter bruge værktøjer til at handle på den information.

Brugere kan planlægge tilbagevendende arbejdsgange, såsom analyser eller filbehandling, til at køre med en lokal model på deres egen hardware. Perplexity beskrev en controller i et logistikfirma, der planlagde Portable til at afstemme fragtfakturaer i en tilladt mappe hver morgen: agenten matcher hver faktura mod transportørens lokale prislister, markerer dublerede gebyrer eller satser, der afviger fra kontrakten, og genererer en undtagelseskø, der viser fakturaen, afvigelsen og den anbefalede tvist‑handling, hvor faktura‑ og satsdata aldrig forlader virksomhedens enhed.

Cloud‑eskalering og sikkerhed

For opgaver, der kræver aktuelle oplysninger eller avanceret ræsonnement, kan Portable Computer inkludere resultater fra Perplexity Search eller en af mere end 15 frontier‑modeller, og den beder om brugerens tilladelse, før den sender information væk fra enheden. Perplexity sagde, at agenten også kan kalde Perplexity Search og udføre bred eller dyb forskning, hvorefter resultaterne returneres til den samme opgave.

Perplexity Computers indbyggede værktøjer omfatter en indbygget browser og virksomhedens proprietære SPACE‑sandbox, ifølge NVIDIA. Perplexity sagde, at kode‑ og værktøjseksekvering kører i isolerede sandbox‑miljøer med kontrolleret adgang til filer og tilsluttede apps, og at sikkerheden svarer til cloud‑versionen af Perplexity Computer.

NVIDIAs opslag skitserede eksempler på arbejdsprocesser for agenten. En ingeniør kan gennemgå åbne pull‑requests i et tilknyttet GitHub‑projekt, organisere dem efter status og identificere næste skridt, mens agenten også kan markere forældet dokumentation og indsende foreslåede opdateringer til gennemgang. En finansbruger kan rette den mod to års mægleroversigter, konsoliderede 1099‑formularer og skatteopgørelser og få den til at spore de tilbagevendende beholdninger, der skaber de mest undgåelige gebyrer og skattekost, med hver tal henvist til den præcise fil og side, uden at noget dokument når en chatbot. En startup kan spørge, hvorfor aktiveringen flade ud, og få agenten til at analysere tragt‑eksporten lokalt for at finde, hvor nye tilmeldinger falder fra mellem installation og den første fuldførte opgave, hvorefter de bedste indsigter postes i teamets Slack‑kanal.

Perplexity gav sit eget ingeniøreksample: en bruger kan bede Portable om at gennemgå åbne pull‑requests mod den lokale kodebase og gruppere dem som klar til at blive flettet, kræver gennemgang, blokeret eller forældet, og efter brugeren godkender opsummeringen og handlingspunkterne, poster agenten dem i teamets Slack‑kanal og tagger den direkte ansvarlige person for hvert punkt.