Perplexity legger til forankring i sanntidsdata fra nettet i Decisions API

Perplexity kunngjorde 4. november 2026 at forankring i nettdata er tilgjengelig umiddelbart i Decisions API. Funksjonen legger til valgfrie søk på nettet før modellen returnerer sannsynligheter. Den er beregnet på beslutninger der svarene kan endre seg etter modellens trening, for eksempel hvilken lederstilling en person har, hvilken versjon av en programvarepakke som er den nyeste, eller om et arrangement fortsatt står på programmet.

Decisions API godtar innhold som state og returnerer strukturerte tallverdier i stedet for løpende tekst. Et ja-eller-nei-spørsmål gir sannsynligheten for ja; et valgspørsmål gir en sannsynlighet for hvert definerte alternativ; og et poengspørsmål gir sannsynligheter for en ordnet vurderingsskala, i tillegg til en forventet poengsum. Utviklere kan bruke disse verdiene som terskler i klassifisering, ruting og andre automatiserte beslutninger. Tilstanden kan inneholde tekst, JSON eller bilder, og lanseringen gjør det også mulig å oppgi en URL som leder modellen til en bestemt side.

Direktesøk før modellen svarer

Angi mode til web_grounding aktiverer Fast Search i Perplexitys API-gateway før modellkallet. Gatewayen lager ett søk per spørsmål basert på spørsmålet og begynnelsen av tilstandsteksten, kjører søkene parallelt, slår sammen resultatene og fjerner dupliserte URL-er. Spørsmål som gir samme søkestreng, deler et søk. Deretter legger gatewayen til sidetitler, URL-er og tekst i tilstanden som dokumentasjon. Svarene er fortsatt basert på sannsynligheter, mens et search_results felt gjør det mulig for utviklere å undersøke hva modellen så.

Søkene har uttrykkelige begrensninger. Opptil 10 søk kan kjøres samtidig, med en grense på ett sekund per søk og tre sekunder totalt. Bilder søkes det ikke etter. Spørringer sendes til Perplexity Search API og kan inneholde både spørsmålets tekst og den innledende delen av tilstanden. Dermed er dataene som sendes til søk, en del av integrasjonens personvernhensyn.

Søkefeil fører ikke nødvendigvis til at et beslutningssvar uteblir. Hvis bare noen av søkene lykkes, bruker modellen resultatene som kom fram. Hvis ingen lykkes, svarer den ut fra den opprinnelige tilstanden og returnerer en tom search_results matrise. Et svar kan derfor beholde den vanlige svarstrukturen selv om sanntidsdokumentasjon ikke bidro til det.

Bedre nøyaktighet og forskjeller i målemetoder

Perplexity opplyste at de testet den samme beslutningsmodellen på 328 påstander som kunne besvares med sant eller usant, hentet fra nyheter fra oktober 2026 og sjeldne Wikipedia-fakta. Hver sanne påstand hadde en falsk motpart som skilte seg fra den på ett punkt, og det ble ikke gitt noen dokumentasjon i tilstanden. Nøyaktigheten var 56,4 % uten forankring og 97,3 % med forankring, mens antallet feil falt fra 143 til ni. Medianforsinkelsen økte fra 139 ms til 366 ms, og forsinkelsen ved 95-persentilen økte fra 514 ms til 742 ms. Dermed kommer en målbar hastighetskostnad i tillegg til nøyaktighetsgevinsten.

Parallel Web Systems opplyste at deres PWS-Decisions-benchmark består av 300 spørsmål med lukkede svar: 100 offentlige spørsmål med fasitsvar og 200 private spørsmål. Poengberegningen bygger på nøyaktig samsvar, og utvalget ble satt sammen for å være krevende, ikke for å anslå nøyaktigheten ved gjennomsnittlig trafikk. Parallels rangering viser gjennomsnittlig nøyaktighet og utvalgsstandardavvik basert på tre kjøringer evaluert 29. oktober 2026. Perplexity Decisions oppnådde blant annet 51,00 % nøyaktighet på det offentlige utvalget.

Perplexity opplyste at pplx-decider-v1.2 med forankring i nettdata besvarte 86 av de 100 offentlige spørsmålene riktig i en kjøring 4. november 2026. Selskapet beskrev dette som den høyeste nøyaktigheten på det offentlige utvalget sammenlignet med den publiserte rangeringen. Klienten deres målte en medianforsinkelse på 370 ms og en forsinkelse ved 95-persentilen på 685 ms for disse 100 spørsmålene. Parallels separate forsinkelsesmålinger omfatter komplette svar fra tre kjøringer av hele utvalget på 300 spørsmål. De to settene med forsinkelsestall dekker derfor ulike omfang.

Priser og integrasjon

En forespørsel med forankring kan inneholde opptil 100 spørsmål. Hvert fullførte søk koster $0.001, slik at søkeavgiftene ikke overstiger $0.10 for en forespørsel med 100 spørsmål. Hentet dokumentasjon faktureres imidlertid også som inndatatokener og teller med i inndatagrensen på 256K. Standard pplx-decider-v1.2 modellen koster $0.02 per million inndatatokener, og pplx-decider-flash-v1.2 koster $0.01 per million; utdata-tokener er gratis.

Gruppering av spørsmål påvirker den endelige tokenregningen. På standardmodellen telles dokumentasjonen på nytt når grensene for inndata gjør at spørsmål må deles inn i separate grupper. Flash behandler hvert spørsmål for seg og fakturerer tilstanden og dokumentasjonen på nytt hver gang. Kostnaden for forankring avhenger derfor av antallet søk, mengden tekst som hentes, og hvordan den valgte modellen grupperer spørsmålene.

Det er for øyeblikket et forbehold knyttet til typestøtte ved integrering. Perplexitys Python-bibliotek versjon 0.44.0 eller nyere og TypeScript-SDK versjon 0.39.0 eller nyere støtter API-et, men typene deres eksponerer foreløpig ikke mode og search_results. Python sender modusen via extra_body, mens TypeScript sender den i forespørselens brødtekst.

Perplexitys foreslåtte bruksområder omfatter å sjekke om kontoer har hentet inn kapital de siste 90 dagene, følge med på avhengigheter for å finne stabile utgivelser som er nyere enn en fastlåst versjon, og bekrefte at et arrangement fortsatt står på programmet før en agent bestiller det. I slike arbeidsflyter tilfører forankring etterprøvbare, oppdaterte bevis til en sannsynlighet som programvare kan sette terskelverdier for eller gjennomgå. Avveiningen handler om mer enn nøyaktighet: forsinkelse, tokenbruk, søkeavgifter og eventuelle manglende bevis search_results påvirker alle hva den returnerte sannsynligheten representerer.