Perplexity dodaje pobieranie aktualnych danych z sieci do swojego API decyzji

Perplexity poinformowało 4 listopada 2026 r., że funkcja uzupełniania kontekstu o aktualne dane z sieci jest już dostępna w API decyzji. Umożliwia ona opcjonalne wyszukiwanie bieżących informacji w sieci, zanim model zwróci prawdopodobieństwa. Funkcja jest przeznaczona do podejmowania decyzji, których odpowiedzi mogą się zmienić po zakończeniu trenowania modelu, na przykład dotyczących stanowiska kierowniczego danej osoby, najnowszej wersji pakietu oprogramowania lub tego, czy wydarzenie nadal jest zaplanowane.

API decyzji przyjmuje treści w postaci state i zwraca uporządkowane odpowiedzi liczbowe zamiast tekstu. W przypadku pytania wymagającego odpowiedzi tak lub nie zwracane jest prawdopodobieństwo odpowiedzi twierdzącej; pytanie z wyborem daje prawdopodobieństwo dla każdej z określonych opcji, a pytanie o ocenę — prawdopodobieństwa dla poszczególnych poziomów uporządkowanej skali oraz oczekiwaną ocenę. Programiści mogą wykorzystywać te wartości jako progi w klasyfikacji, kierowaniu i innych zautomatyzowanych procesach decyzyjnych. Stan może zawierać tekst, JSON lub obrazy, a wraz z premierą funkcji można też podać adres URL, który kieruje model na konkretną stronę.

Wyszukiwanie na żywo przed udzieleniem odpowiedzi przez model

Ustawienie mode na web_grounding uruchamia Fast Search w bramie API Perplexity przed wywołaniem modelu. Brama tworzy jedno zapytanie dla każdego pytania, wykorzystując jego treść oraz początek tekstu stanu, równolegle wykonuje wyszukiwania, łączy wyniki i usuwa powielone adresy URL. Pytania prowadzące do tego samego zapytania korzystają z jednego wyszukiwania. Następnie brama dołącza do stanu tytuły stron, adresy URL i tekst, które służą jako źródła informacji. Odpowiedzi nadal mają postać prawdopodobieństw, a search_results pole umożliwia programistom sprawdzenie, co widział model.

Wyszukiwanie podlega wyraźnie określonym limitom. Jednocześnie może być wykonywanych maksymalnie 10 wyszukiwań; każde ma limit jednej sekundy, a łączny limit wynosi trzy sekundy. Obrazy nie są przeszukiwane. Zapytania trafiają do Perplexity Search API i mogą zawierać zarówno treść pytania, jak i początkowy fragment stanu, dlatego dane wysyłane do wyszukiwarki należy uwzględnić przy ocenie kwestii prywatności związanych z integracją.

Niepowodzenie wyszukiwania nie musi zatrzymać generowania odpowiedzi na potrzeby decyzji. Jeśli powiedzie się tylko część wyszukiwań, model korzysta z uzyskanych wyników. Jeśli nie powiedzie się żadne, odpowiada na podstawie pierwotnego stanu i zwraca pustą search_results tablicę. Odpowiedź może więc zachować standardową strukturę nawet wtedy, gdy nie uwzględniono w niej aktualnych danych z sieci.

Poprawa trafności i różnice w sposobie pomiaru

Perplexity poinformowało, że przetestowało ten sam model decyzyjny na 328 twierdzeniach prawdziwych lub fałszywych, zaczerpniętych z wiadomości z października 2026 r. i mało znanych faktów z Wikipedii. Każdemu prawdziwemu twierdzeniu odpowiadało fałszywe, różniące się jednym szczegółem; w stanie nie podano żadnych dodatkowych informacji. Trafność wyniosła 56,4% bez uzupełniania kontekstu o dane z sieci i 97,3% z tą funkcją, a liczba błędów spadła ze 143 do dziewięciu. Mediana opóźnienia wzrosła ze 139 ms do 366 ms, a opóźnienie w 95. percentylu — z 514 ms do 742 ms. Oznacza to mierzalny koszt w postaci dłuższego czasu odpowiedzi w zamian za większą trafność.

Parallel Web Systems poinformowało, że jego test porównawczy PWS-Decisions obejmuje 300 pytań zamkniętych: 100 publicznych, z odpowiedziami referencyjnymi, oraz 200 prywatnych. Wyniki są oceniane na podstawie dokładnego dopasowania, a zestaw opracowano z myślą o wysokim poziomie trudności, nie po to, by szacować trafność dla przeciętnego ruchu. Ranking Parallel podaje średnią trafność i odchylenie standardowe z trzech przebiegów ocenionych 29 października 2026 r.; trafność Perplexity Decisions w zbiorze publicznym wyniosła 51,00%.

Perplexity poinformowało pplx-decider-v1.2 że w przebiegu z 4 listopada 2026 r. wersja z uzupełnianiem kontekstu o dane z sieci udzieliła poprawnych odpowiedzi na 86 ze 100 pytań publicznych. Firma określiła ten wynik jako najwyższą trafność w zbiorze publicznym spośród wyników opublikowanych w tym rankingu. Jej klient zmierzył medianę opóźnienia wynoszącą 370 ms i opóźnienie w 95. percentylu wynoszące 685 ms dla tych 100 pytań. Odrębne pomiary opóźnienia Parallel obejmują pełne odpowiedzi w trzech przebiegach całego zbioru 300 pytań, dlatego oba zestawy danych o opóźnieniu dotyczą różnych zakresów.

Ceny i integracja

Żądanie z uzupełnianiem kontekstu może zawierać maksymalnie 100 pytań. Każde zakończone wyszukiwanie kosztuje 0,001 USD, więc opłaty za wyszukiwanie w żądaniu obejmującym 100 pytań nie przekroczą 0,10 USD. Pobrane informacje są jednak również rozliczane jako tokeny wejściowe i wliczają się do limitu wejściowego 256K. Standardowy pplx-decider-v1.2 model kosztuje 0,02 USD za milion tokenów wejściowych, a pplx-decider-flash-v1.2 kosztuje 0,01 USD za milion; tokeny wyjściowe są bezpłatne.

Grupowanie pytań wpływa na ostateczny koszt tokenów. W przypadku modelu standardowego informacje z wyszukiwania są naliczane ponownie, gdy limity wejściowe wymuszają podział pytań na osobne grupy. Flash ocenia każde pytanie niezależnie i za każdym razem ponownie nalicza koszt stanu oraz informacji z wyszukiwania. Koszt uzupełniania kontekstu zależy więc od liczby wyszukiwań, ilości pobranego tekstu oraz sposobu grupowania pytań przez wybrany model.

Integracja ma obecnie pewne ograniczenie dotyczące typowania. Biblioteka Python Perplexity w wersji 0.44.0 lub nowszej oraz zestaw SDK TypeScript w wersji 0.39.0 lub nowszej obsługują API, ale ich definicje typów nie udostępniają jeszcze mode i search_results. Python przekazuje tryb za pośrednictwem extra_body, natomiast TypeScript przesyła go w treści żądania.

Sugerowane przez Perplexity zastosowania obejmują sprawdzanie, czy spółki pozyskały finansowanie w ciągu ostatnich 90 dni, monitorowanie zależności pod kątem stabilnych wydań nowszych niż przypięta wersja oraz potwierdzanie, że wydarzenie nadal jest zaplanowane, zanim agent dokona rezerwacji. W takich procesach ugruntowanie w źródłach dostarcza możliwych do sprawdzenia, aktualnych dowodów na poparcie prawdopodobieństwa, dla którego oprogramowanie może ustalić próg lub które może poddać weryfikacji. Kompromis dotyczy nie tylko dokładności: opóźnienia, zużycie tokenów, opłaty za wyszukiwanie oraz wszelkie braki w materiale dowodowym search_results — wszystko to wpływa na to, co reprezentuje zwracane prawdopodobieństwo.