A Perplexity adiciona fundamentação com dados da web em tempo real à sua Decisions API

A Perplexity anunciou, em 4 de novembro de 2026, que a fundamentação com dados da web está imediatamente disponível para sua Decisions API, com a opção de realizar buscas na web em tempo real antes de o modelo retornar probabilidades. O recurso é voltado a decisões cujas respostas podem mudar depois do treinamento, como o cargo executivo de uma pessoa, a versão mais recente de um pacote de software ou se um evento continua programado.

A Decisions API aceita conteúdo como state e retorna respostas numéricas estruturadas, em vez de texto corrido. Uma pergunta de sim ou não produz a probabilidade de a resposta ser sim; uma pergunta com opções produz uma probabilidade para cada opção definida; e uma pergunta de pontuação produz probabilidades distribuídas por uma escala ordenada, além de uma pontuação esperada. Os desenvolvedores podem usar esses valores como limites na classificação, no roteamento e em outras decisões automatizadas. O estado pode conter texto, JSON ou imagens, e o lançamento também permite fornecer uma URL que direcione o modelo para uma página específica.

Busca na web em tempo real antes de o modelo responder

Definir mode como web_grounding ativa o Fast Search no gateway de API da Perplexity antes da chamada ao modelo. O gateway cria uma consulta por pergunta com base na pergunta e no início do texto do estado, executa as buscas em paralelo, combina os resultados e remove URLs duplicadas. Perguntas que geram a mesma consulta compartilham uma busca. Em seguida, o gateway acrescenta ao estado os títulos das páginas, as URLs e o texto como evidências. As respostas continuam baseadas em probabilidades, enquanto um search_results campo permite que os desenvolvedores inspecionem o que o modelo viu.

As buscas têm limites explícitos. Até 10 podem ser executadas simultaneamente, com um limite de um segundo por busca e de três segundos no total. Não são feitas buscas por imagens. As consultas são enviadas à Perplexity Search API e podem conter tanto o texto da pergunta quanto o trecho inicial do estado, o que torna os dados enviados para a busca parte das considerações de privacidade da integração.

Falhas nas buscas não necessariamente interrompem uma resposta da API de decisões. Se apenas algumas buscas forem bem-sucedidas, o modelo usa os resultados recebidos. Se nenhuma for bem-sucedida, ele responde com base no estado original e retorna um array search_results vazio. Portanto, uma resposta pode manter a estrutura habitual mesmo quando as evidências em tempo real não contribuíram para ela.

Ganhos de precisão e diferenças nas medições

A Perplexity informou ter testado o mesmo modelo de decisão com 328 afirmações de verdadeiro ou falso, extraídas de notícias de outubro de 2026 e de fatos raros da Wikipédia. Cada afirmação verdadeira tinha uma contraparte falsa que diferia em um único detalhe, e nenhuma evidência foi fornecida no estado. A precisão foi de 56,4% sem fundamentação e de 97,3% com ela, enquanto os erros caíram de 143 para nove. A latência mediana aumentou de 139 ms para 366 ms, e a latência no percentil 95, de 514 ms para 742 ms, evidenciando um custo mensurável em velocidade junto ao ganho de precisão.

A Parallel Web Systems afirmou que seu benchmark PWS-Decisions contém 300 perguntas fechadas: 100 públicas, com respostas de referência, e 200 privadas. A avaliação usa correspondência exata, e o conjunto foi selecionado para testar a dificuldade, não para estimar a precisão no tráfego médio. O placar da Parallel apresenta a precisão média e o desvio padrão amostral de três execuções avaliadas em 29 de outubro de 2026, incluindo 51,00% de precisão no conjunto público para o Perplexity Decisions.

A Perplexity afirmou pplx-decider-v1.2 que, com a fundamentação na web, respondeu corretamente a 86 das 100 perguntas públicas em uma execução realizada em 4 de novembro de 2026, que descreveu como a maior precisão no conjunto público em comparação com aquele placar publicado. Seu cliente mediu uma latência mediana de 370 ms e uma latência no percentil 95 de 685 ms nessas 100 perguntas. As medições de latência separadas da Parallel abrangem respostas completas em três execuções do conjunto integral de 300 perguntas; portanto, os dois conjuntos de números de latência têm escopos diferentes.

Preços e integração

Uma solicitação com fundamentação pode incluir até 100 perguntas. Cada busca concluída custa $0,001, de modo que as cobranças pelas buscas não passam de $0,10 em uma solicitação com 100 perguntas; no entanto, as evidências recuperadas também são cobradas como tokens de entrada e contam para o limite de entrada de 256K. O modelo padrão pplx-decider-v1.2 custa $0,02 por milhão de tokens de entrada e o modelo pplx-decider-flash-v1.2 custa $0,01 por milhão; os tokens de saída são gratuitos.

O agrupamento de perguntas afeta o custo final em tokens. No modelo padrão, as evidências são contabilizadas novamente quando os limites de entrada obrigam a dividir as perguntas em grupos separados. O Flash avalia cada pergunta de forma independente e cobra novamente o estado e as evidências a cada vez. Portanto, o custo da fundamentação depende do número de buscas, da quantidade de texto recuperado e de como o modelo selecionado agrupa as perguntas.

A integração atualmente tem uma ressalva relacionada à tipagem. A biblioteca Python da Perplexity, versão 0.44.0 ou posterior, e o SDK TypeScript, versão 0.39.0 ou posterior, oferecem suporte à API, mas seus tipos ainda não expõem mode nem search_results. O Python passa o modo por meio de extra_body, enquanto o TypeScript o envia no corpo da solicitação.

Entre os usos sugeridos pela Perplexity estão verificar se as contas captaram recursos nos últimos 90 dias, acompanhar dependências em busca de versões estáveis mais recentes do que uma versão fixada e confirmar se um evento continua marcado antes de um agente fazer uma reserva para ele. Nesses fluxos de trabalho, a fundamentação em dados atuais acrescenta evidências verificáveis a uma probabilidade que o software pode submeter a um limite ou revisar. A contrapartida vai além da precisão: latência, uso de tokens, tarifas de pesquisa e eventuais lacunas nas evidências search_results todos esses fatores moldam o que a probabilidade retornada representa.