Perplexity reduserer forskningskostnadene for Agent API og innfører Ultra-innsatsnivået

Perplexity kunngjorde 5. november 2026 at alle innsatsnivåene for agent-API-et nå koster mindre per forespørsel, og meldte om høyere eller uendret forskningskvalitet på tvers av forhåndsinnstillingene. Medium forbedret seg fra 55 % til 77 % på BrowseComp og DSQA, samtidig som kostnaden falt med nesten 90 %, og et nytt Ultra-nivå er tilgjengelig for bredt anlagt forskning.

Innsatsnivåene samler valg av modell, grenser for forskningstrinn og verktøykall, søkeatferd og tilgjengelige verktøy i navngitte forhåndsinnstillinger. De lar utviklere velge en balanse mellom kostnad, hastighet og forskningsdybde uten å konfigurere hver enkelt komponent separat. En forespørsel som effort="fast" får automatisk det reviderte oppsettet.

Perplexity sier at WANDR-resultatet på xhigh holdt seg på 76,5 %, samtidig som konfigurasjonen kostet omtrent 25 % av det den kostet i august 2026. Nivået er beregnet på åpne, agentbaserte oppgaver, blant annet kjøring av kode i en sandkasse, lange løp med verktøybruk og innhenting av dokumentasjon fra mange kilder.

WANDR-artikkelen beskriver et evalueringssett med 500 oppgaver, utformet rundt realistisk datainnsamling. Agentene må finne kvalifiserende enheter og returnere oppføringer med kilder og utdrag som kan kontrolleres uavhengig. Oppgavespesifikke evaluatorer henter de siterte sidene på nytt og vurderer oppføringene opp mot dokumentasjonen, slik at man unngår et statisk fasitsett.

Ultra bruker fire agenter for bredere forskning

Ultra kommer i tillegg til fast, low, medium, high og xhigh i den offisielle dokumentasjonen for innsatsnivåene. Nivået er ment for bred forskning og datainnsamling der fullstendighet er viktigere enn svartid. Konfigurasjonen bruker anthropic/claude-opus-5-5, og bakgrunnsmodus er tilgjengelig for lange kjøringer.

Ultra gir tre agenter samme forskningsoppgave og lar dem arbeide parallelt, slik at hver enkelt kan samle dokumentasjon uavhengig av de andre. En fjerde agent samordner resultatene, fjerner dupliserte funn og skriver svaret. Perplexity oppgir en WANDR-score på 85,9 % til 21,71 dollar per oppgave, det høyeste resultatet blant konfigurasjonene selskapet testet.

Endringer i budsjetter og kontekst reduserer forskningskostnadene

Forbruket begrenses på hvert nivå med grenser for antall trinn, et tak på det samlede antallet verktøykall og jevnlige varsler om gjenværende kapasitet. Det separate taket for verktøykall er viktig fordi ett trinn kan starte flere kall på tvers av ulike verktøy. Varslene hjelper agenten med å sette av nok budsjett til å kontrollere dokumentasjonen og levere et svar, i stedet for å stoppe midt i oppgaven.

Ett eksperiment med openai/gpt-6-luna viser hvorfor disse grensene er viktige. Perplexity oppgir at en økning fra 1 til 15 tillatte trinn løftet nøyaktigheten på BrowseComp og DSQA fra 41 % til 80 %, samtidig som kostnaden per forespørsel økte fra 0,0017 til 0,0152 dollar. Budsjettfordelingen påvirker dermed både svarkvaliteten og prisen for å få svaret.

Kontekstkomprimering tar tak i en annen kostnadsdriver. Når konteksten passerer en terskel, kondenserer systemet tidligere arbeid til et sammendrag av funn og gjenværende oppgaver, samtidig som systemprompten, den opprinnelige forespørselen og eventuelle innlastede ferdigheter bevares. Deretter ber systemet agenten om å fortsette arbeidet og oppgir antallet komprimeringer, slik at sammendraget ikke forveksles med et signal om å stoppe.

Utdrag reduserer mengden informasjon agenten tar med seg videre. I stedet for å gi den en hel side, fetch_url ber den en mindre modell om å velge ut avsnitt som er relevante for den aktuelle oppgaven, og sitere dem ordrett som dokumentasjon. Ved høy innsats oppgir Perplexity omtrent 50 % færre inndatatokener per forespørsel og et resultat på 88,0 % til 0,073 dollar per forespørsel, sammenlignet med 83,5 % til 0,094 dollar uten uttrekk.

Andre relaterte endringer retter seg mot selve søket. Hvert søk kan nå returnere opptil 4K tokener med resultater i stedet for 2K, en ny motor for tekstutdrag velger tekst som samsvarer bedre med søket, og Fast Search koster 1,00 dollar per 1 000 forespørsler. Samlet skal disse endringene gjøre det mulig å finne nyttig dokumentasjon med færre søk og mindre irrelevant kontekst.

Evaluering av arbeidsflyter og stabil konfigurasjon

Valg av arbeidsflyt bruker et ferdighetstre med progressiv tilgjengeliggjøring. I utgangspunktet opptar en ferdighet bare plass i konteksten med navn og beskrivelse; de fullstendige instruksjonene legges til etter at modellen har avgjort at arbeidsflyten passer til oppgaven. Perplexity sier at forhåndsinnlasting av alle ferdigheter økte kostnadene på BrowseComp og DSQA med 13 % og reduserte WANDR-resultatene, noe som støtter beslutningen om å laste inn arbeidsflyter bare ved behov.

Et automatisert testoppsett evaluerer nye modeller etter hvert som de blir tilgjengelige, ved å teste ulike nivåer av resonneringsinnsats, budsjetter for trinn og verktøykall samt verktøykonfigurasjoner. En kandidat erstatter den sittende modellen bare dersom den gir bedre kvalitet til samme eller lavere kostnad. Perplexity sier at én kandidat fikk 13,3 poeng mer enn grunnlinjen på BrowseComp, men gjorde det dårligere enn grunnlinjene på interne forskningsoppgaver innen næringsliv, jus og finans. Det illustrerer hvorfor resultater fra offentlige referansetester alene ikke avgjør hvilken modell som velges.

Dokumentasjonen skiller mellom dynamiske navn, låste versjoner og fryste konfigurasjoner. Dynamiske kall arver senere evaluerte endringer uten at koden må redigeres, mens låste kall beholder én utgave etter at den aktive konfigurasjonen er oppdatert. Fryste kall kopierer offentlige felt, men kan mangle innstillinger som ikke inngår i det dokumenterte forespørselsskjemaet. Ultra har ingen fryst konfigurasjon og må kalles ved navn.

For utviklere er det praktiske skillet mellom automatiske oppdateringer og reproduserbarhet: Dynamiske nivåer arver Perplexitys evaluerte revisjoner, mens låste versjoner bevarer en kjent konfigurasjon. Ultra utvider systemet til bredere dekning, og utformingen med fire agenter gjør orkestrering til en del av kostnads- og kvalitetsvurderingen, på linje med modellvalget.