AI-modeller og plattformer

Perplexity lanserer Multiagent for å koordinere de mest avanserte KI-modellene

Jonas Reeve
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterMultiagent lar støtteagenter utveksle funn direkte i stedet for bare å rapportere til…
Vis mer
  • Multiagent lar støtteagenter utveksle funn direkte i stedet for bare å rapportere til lederen.
  • Claude Fable 5.2 leder et standardteam bestående av Claude Opus 5.5, GPT 6.1 Sol og Gemini 4 Carbon.
  • Modusen er rettet mot store oppgaver med sammenkoblede deler som kan fortsette parallelt.

Perplexity introduserte Multiagent 17. november 2026, en ny innstilling for innsatsnivå på agentplattformen Computer. Her kan hovedagenten tildele opptil 16 støtteagenter på tvers av flere av de mest avanserte modellene for å analysere komplekse oppgaver, dele dokumentasjon og kryssjekke arbeidet sitt før de leverer ett samlet svar.

Det nye nivået ligger over Ultra og endrer hvordan informasjon flyter innad i agentteamene i Computer. Perplexity sier at Multiagents agenter, i motsetning til støtteagentene i Ultra, som bare rapporterer til hovedagenten, kan utveksle funn direkte, stille spørsmål ved antakelser og peke på avvik som bør undersøkes nærmere. Utformingen skal bidra til å avdekke motstridende antakelser før hovedagenten samler teamets arbeid til anbefalingen eller et annet resultat brukeren har bedt om.

Flere modeller på én oppgave

Claude Fable 5.2 fungerer som hovedagent, planlegger arbeidet og fordeler det mellom agenter som kjører Claude Opus 5.5, GPT 6.1 Sol og Gemini 4 Carbon. Disse tre modellene utgjør standardteamet av støtteagenter. Fable 5.2 og GPT 6 Astra kan også inngå som støtteagenter, men bare hvis brukeren ber om det, eller hvis en bestemt del av oppgaven krever dem.

Perplexity retter denne modusen mot oppgaver med ulike, men sammenhengende deler. I en gjennomgang av en årsrapport kan agentene undersøke regnskapet, fotnotene og ledelsens kommentarer hver for seg, og deretter sammenligne funnene sine for å avdekke avvikende tall eller opplysninger som en revisor bør se nærmere på. Ved due diligence i et datarom for en transaksjon kan separate agenter gjennomgå finansielle dokumenter, kontrakter og driftsdokumenter parallelt og knytte sammen opplysninger, for eksempel en kundekontrakt som endrer inntektsutsiktene.

Delte filer og brukerkontroller

Brukerne velger Multiagent med glidebryteren for innsatsnivå i Computer og kan angi hvilke modeller de ønsker i forespørselen. Mens en oppgave pågår, kan de se hvilke agenter som er aktive, og hvilke modeller agentene kjører. Hovedagenten er fortsatt brukerens kontaktpunkt i samtalen, slik at brukerne kan styre arbeidet på nytt uten å sende meldinger til hver enkelt agent. Multiagent er tilgjengelig på nettet for alle Perplexity Max-abonnenter.

Agentene kan også koordinere redigeringer av delte filer. Perplexity nevner som eksempel at én agent oppdaterer inntektsforutsetningene i en finansmodell og varsler en annen agent om å bruke disse tallene i verdsettelsesanalysen sin. Ved en oppfølging forteller hovedagenten de berørte agentene hva som er endret, og teamet fortsetter det pågående arbeidet. Hvis tråden stoppes, stanser hele teamet. Hovedagenten kan også selv utføre en del av oppgaven.

Hvor Multiagent passer inn i Computer

Multiagent bygger videre på innsatsinnstillingene som ble introdusert i september 2026, med alternativene Light, Standard, High og Ultra. Perplexity valgte den koordinerende modellen og resonneringsnivået for hver innstilling, mens de tilpassede kontrollene lot brukerne selv velge en bestemt modell og et resonneringsnivå. De lavere innstillingene brukte rimeligere modeller, og kredittforbruket var avhengig av arbeidet Computer utførte.

Perplexity presenterer Model Council som et verktøy for vurderinger der uavhengige perspektiver er nyttige: Flere modeller undersøker det samme spørsmålet hver for seg, før Computer samler funnene og viser hvor de er enige og uenige. Ultra er ment for åpne problemstillinger som krever at flere tilnærminger prøves ut, mens Multiagent er ment for omfattende oppgaver med sammenhengende deler som kan utføres parallelt.

Eksempelet med årsrapporten viser den tiltenkte ansvarsfordelingen: Agentene sammenligner tall og opplysninger på tvers av dokumentene, mens en revisor gjennomgår avvikene de peker på. Multiagents koordinering presenteres dermed som forberedelse til profesjonell granskning, samtidig som én hovedagent fortsatt har ansvaret for å sette sammen det endelige svaret.

Jonas Reeve er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, med fokus på kognitiv AI, kunstig generell intelligens (AGI) og de teoretiske grunnlagene for maskinintelligens. Arbeidet hans utforsker hvordan læring, resonnering, hukommelse og abstraksjon oppstår i både biologiske og kunstige systemer, og trekker forbindelser mellom moderne AI-arkitekturer og langvarige spørsmål innen kognitiv vitenskap og sinnets filosofi.

Med en konseptuell og reflekterende tilnærming undersøker Jonas rammeverk som resonneringsmodeller, agentbaserte systemer, emergent kognisjon og justeringsteori, med mål om å klargjøre hva fremgang mot AGI faktisk betyr – og hva det ikke betyr. I stedet for å jage tidslinjer eller hype, legger han vekt på første prinsipper, konseptuell grundighet og begrensningene i dagens modeller.

Artikler skrevet av Jonas Reeve er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, klarhet og ansvarlig diskusjon av avanserte AI-konsepter.