AI-modeller og platforme
Perplexity lancerer Multiagent til koordinering af førende AI-modeller

NøglepunkterMultiagent lader støtteagenter udveksle resultater direkte i stedet for kun at…
Vis mere
- Multiagent lader støtteagenter udveksle resultater direkte i stedet for kun at rapportere til lederen.
- Claude Fable 5.2 leder et standardteam bestående af Claude Opus 5.5, GPT 6.1 Sol og Gemini 4 Carbon.
- Tilstanden er rettet mod store opgaver med indbyrdes forbundne dele, der kan fortsætte parallelt.
Perplexity introducerede Multiagent den 17. november 2026, en ny indstilling for arbejdsindsats til agentplatformen Computer, hvor den ledende agent kan tildele op til 16 støtteagenter på tværs af flere førende modeller til at analysere komplekse opgaver, dele dokumentation og krydstjekke deres arbejde, før de leverer ét samlet svar.
Det nye niveau ligger over Ultra og ændrer måden, information bevæger sig på mellem agenterne i Computers agentteams. Ifølge Perplexity kan Multiagents agenter, i modsætning til Ultras støtteagenter, som kun rapporterer til den ledende agent, udveksle resultater direkte, stille spørgsmål ved antagelser og påpege uoverensstemmelser, der kræver nærmere undersøgelse. Designet skal identificere modstridende antagelser, før den ledende agent samler teamets arbejde til den ønskede anbefaling eller et andet resultat.
Flere modeller på én opgave
Claude Fable 5.2 fungerer som ledende agent, planlægger arbejdet og fordeler det mellem agenter, der kører Claude Opus 5.5, GPT 6.1 Sol og Gemini 4 Carbon. Disse tre modeller udgør standardteamet af støtteagenter. Fable 5.2 og GPT 6 Astra kan også indgå som støtteagenter, men kun hvis brugeren beder om det, eller hvis en bestemt del af opgaven kræver dem.
Perplexity retter denne funktion mod opgaver med adskilte, men indbyrdes forbundne dele. Ved gennemgang af en årsrapport kan agenter undersøge regnskaber, fodnoter og ledelsens kommentarer hver for sig og derefter sammenligne deres resultater for at gøre en revisor opmærksom på uoverensstemmende tal eller oplysninger. Ved gennemgang af et datarum i forbindelse med en handel kan separate agenter parallelt undersøge regnskabsmateriale, kontrakter og driftsdokumenter og forbinde oplysninger, f.eks. en kundekontrakt, der ændrer forventningerne til omsætningen.
Delte filer og brugerindstillinger
Brugerne vælger Multiagent via Computers skydeknap for arbejdsindsats og kan angive, hvilke modeller de ønsker, i deres forespørgsel. Under en opgave kan de se, hvilke agenter der er aktive, og hvilke modeller agenterne kører. Den ledende agent forbliver brugerens samtalepartner, så brugerne kan ændre arbejdets retning uden at sende beskeder til hver enkelt agent. Multiagent er tilgængelig for alle Perplexity Max-abonnenter på nettet.
Agenter kan også koordinere ændringer i delte filer. Perplexity nævner som eksempel, at én agent opdaterer omsætningsforudsætningerne i en finansiel model og giver en anden besked om at bruge tallene i sin værdiansættelsesanalyse. Ved en opfølgende forespørgsel fortæller den ledende agent de berørte agenter, hvad der er ændret, og teamet fortsætter sit igangværende arbejde; hvis tråden stoppes, stopper hele teamet. Den ledende agent kan også selv påtage sig en del af opgaven.
Multiagents plads i Computer
Multiagent udvider indsatsindstillingerne, der blev introduceret i september 2026, og som omfattede indstillingerne Light, Standard, High og Ultra. Perplexity valgte den koordinerende model og ræsonneringsniveauet for hver indstilling, mens brugerdefinerede indstillinger lod brugerne selv vælge en bestemt model og et ræsonneringsniveau. De lavere indstillinger brugte billigere modeller, og kreditforbruget afhang af det arbejde, Computer udførte.
Perplexity beskriver Model Council som velegnet til vurderinger, der drager fordel af uafhængige perspektiver: Flere modeller undersøger det samme spørgsmål hver for sig, hvorefter Computer samler deres resultater og viser, hvor de er enige og uenige. Ultra er beregnet til åbne problemstillinger, hvor flere tilgange skal afprøves, mens Multiagent er beregnet til store opgaver med indbyrdes forbundne dele, der kan løses parallelt.
Eksemplet med årsrapporten viser den tilsigtede ansvarsfordeling: Agenterne sammenligner tal og oplysninger på tværs af dokumenter, mens en revisor gennemgår de uoverensstemmelser, de påpeger. Multiagents koordinering fremstilles dermed som forberedelse til professionel granskning, hvor én ledende agent stadig har ansvaret for at samle det endelige svar.












