Perplexity Menambahkan Grounding Web Langsung ke API Keputusannya

Perplexity mengumumkan pada 4 November 2026 bahwa grounding web kini langsung tersedia untuk API Keputusannya, dengan opsi pencarian web langsung sebelum model memberikan probabilitas. Fitur ini ditujukan untuk keputusan yang jawabannya dapat berubah setelah pelatihan, termasuk jabatan eksekutif seseorang, rilis terbaru suatu paket perangkat lunak, atau apakah suatu acara masih dijadwalkan.

API Keputusan menerima konten dalam bentuk state dan memberikan jawaban numerik terstruktur, bukan prosa. Pertanyaan ya atau tidak menghasilkan probabilitas untuk jawaban ya; pertanyaan pilihan menghasilkan probabilitas untuk setiap opsi yang ditentukan; dan pertanyaan penilaian menghasilkan probabilitas berdasarkan rubrik berurutan, beserta skor yang diharapkan. Pengembang dapat menggunakan nilai-nilai tersebut sebagai ambang dalam klasifikasi, perutean, dan keputusan otomatis lainnya. State dapat berisi teks, JSON, atau gambar, dan peluncuran ini juga memungkinkan penggunaan URL yang mengarahkan model ke halaman tertentu.

Pencarian Langsung Sebelum Model Menjawab

Mengatur mode ke web_grounding akan mengaktifkan Fast Search di gateway API Perplexity sebelum model dipanggil. Gateway membuat satu kueri untuk setiap pertanyaan berdasarkan pertanyaan tersebut dan bagian awal teks state, menjalankan pencarian secara paralel, menggabungkan hasil, lalu menghapus URL duplikat. Pertanyaan yang menghasilkan kueri sama akan menggunakan pencarian yang sama. Gateway kemudian menambahkan judul halaman, URL, dan teks ke state sebagai bukti. Jawaban tetap berbasis probabilitas, sementara sebuah search_results kolom memungkinkan pengembang memeriksa apa yang dilihat model.

Pencarian memiliki batasan yang jelas. Hingga 10 pencarian dapat berjalan secara bersamaan, dengan batas waktu satu detik untuk setiap pencarian dan tiga detik secara keseluruhan. Gambar tidak ditelusuri. Kueri dikirim ke Perplexity Search API dan dapat memuat teks pertanyaan serta bagian awal state, sehingga data yang dikirim untuk pencarian menjadi bagian dari pertimbangan privasi dalam integrasi ini.

Kegagalan pencarian tidak selalu menghentikan respons keputusan. Jika hanya sebagian pencarian yang berhasil, model menggunakan hasil yang diterima. Jika tidak ada pencarian yang berhasil, model menjawab berdasarkan state asli dan mengembalikan larik search_results kosong. Karena itu, respons dapat tetap memiliki struktur jawaban normal meskipun bukti langsung dari web tidak berkontribusi pada jawaban tersebut.

Peningkatan Akurasi dan Perbedaan Pengukuran

Perplexity melaporkan telah menguji model keputusan yang sama pada 328 klaim benar atau salah yang diambil dari berita Oktober 2026 dan fakta Wikipedia yang jarang diketahui. Setiap klaim benar memiliki padanan yang salah dengan satu detail berbeda, dan tidak ada bukti yang disertakan dalam state. Akurasi mencapai 56,4% tanpa grounding dan 97,3% dengannya, sementara jumlah kesalahan turun dari 143 menjadi sembilan. Latensi median meningkat dari 139 ms menjadi 366 ms, dan latensi persentil ke-95 naik dari 514 ms menjadi 742 ms, sehingga peningkatan akurasi disertai biaya kecepatan yang terukur.

Parallel Web Systems menyatakan bahwa tolok ukur PWS-Decisions memuat 300 pertanyaan tertutup: 100 pertanyaan publik dengan jawaban acuan dan 200 pertanyaan privat. Penilaian menggunakan pencocokan persis, dan kumpulan pertanyaan tersebut disusun untuk menguji tingkat kesulitan, bukan untuk memperkirakan akurasi pada lalu lintas rata-rata. Papan peringkat Parallel melaporkan akurasi rata-rata dan simpangan baku sampel dari tiga kali pengujian yang dievaluasi pada 29 Oktober 2026, termasuk akurasi 51,00% pada kumpulan publik untuk Perplexity Decisions.

Perplexity menyatakan pplx-decider-v1.2 bahwa Perplexity Decisions dengan grounding web menjawab 86 dari 100 pertanyaan publik dengan benar dalam pengujian pada 4 November 2026, yang disebutnya sebagai akurasi tertinggi pada kumpulan publik dibandingkan dengan hasil yang dipublikasikan di papan peringkat tersebut. Kliennya mengukur latensi median sebesar 370 ms dan latensi persentil ke-95 sebesar 685 ms untuk 100 pertanyaan itu. Pengukuran latensi terpisah dari Parallel mencakup jawaban lengkap dari tiga kali pengujian atas keseluruhan 300 pertanyaan, sehingga cakupan kedua kelompok angka latensi tersebut berbeda.

Harga dan Integrasi

Satu permintaan dengan grounding dapat memuat hingga 100 pertanyaan. Setiap pencarian yang selesai dikenai biaya $0.001, sehingga biaya pencarian untuk permintaan berisi 100 pertanyaan tidak lebih dari $0.10. Namun, bukti yang diambil juga ditagihkan sebagai token masukan dan dihitung dalam batas masukan 256K. Model standar pplx-decider-v1.2 berbiaya $0.02 per juta token masukan dan pplx-decider-flash-v1.2 berbiaya $0.01 per juta; token keluaran tidak dikenai biaya.

Pengelompokan pertanyaan memengaruhi total biaya token. Pada model standar, bukti dihitung kembali ketika batas masukan mengharuskan pertanyaan dibagi ke dalam kelompok terpisah. Flash mengevaluasi setiap pertanyaan secara terpisah dan menagihkan state serta bukti lagi setiap kali. Karena itu, biaya grounding bergantung pada jumlah pencarian, banyaknya teks yang diambil, dan cara model yang dipilih mengelompokkan pertanyaan.

Saat ini, terdapat kendala terkait pengetikan dalam integrasi. Pustaka Python Perplexity versi 0.44.0 atau lebih baru dan SDK TypeScript versi 0.39.0 atau lebih baru mendukung API ini, tetapi tipe keduanya belum menyediakan mode dan search_results. Python meneruskan mode tersebut melalui extra_body, sedangkan TypeScript mengirimkannya dalam isi permintaan.

Beban kerja yang disarankan Perplexity mencakup pemeriksaan apakah akun telah menghimpun pendanaan dalam 90 hari terakhir, pemantauan dependensi untuk mengetahui adanya rilis stabil yang lebih baru daripada versi yang ditetapkan, serta konfirmasi bahwa suatu acara masih terjadwal sebelum agen memesannya. Dalam alur kerja tersebut, grounding menambahkan bukti terkini yang dapat diperiksa pada probabilitas yang dapat digunakan perangkat lunak untuk menetapkan ambang batas atau ditinjau. Pertimbangannya tidak hanya menyangkut akurasi: latensi, penggunaan token, biaya penelusuran, serta bukti apa pun yang tidak tersedia search_results semuanya turut menentukan apa yang direpresentasikan oleh probabilitas yang dikembalikan.