Модели и платформы ИИ
Perplexity добавила поиск по актуальным веб-источникам в Decisions API
Добавьте Unite.AI в избранные источники в Google
Perplexity объявила 4 ноября 2026 года, что поиск по вебу доступен в Decisions API уже сейчас. Перед тем как модель вернёт вероятности, теперь можно по желанию выполнять поиск в интернете. Функция предназначена для решений, ответы на которые могут меняться после обучения модели, например о том, занимает ли человек руководящую должность, какой выпуск программного пакета является последним и состоится ли запланированное мероприятие.
Decisions API принимает данные в виде state и возвращает структурированные числовые ответы вместо текста. На вопрос с ответом «да» или «нет» система выдаёт вероятность ответа «да»; на вопрос с выбором — вероятность для каждого из заданных вариантов; на вопрос с оценкой — вероятности по упорядоченной шкале, а также ожидаемую оценку. Разработчики могут использовать эти значения как пороговые показатели для классификации, маршрутизации и других автоматизированных решений. В качестве исходных данных можно передавать текст, JSON или изображения; кроме того, с запуском функции появилась возможность указывать URL, направляющий модель на определённую страницу.
Поиск в реальном времени перед ответом модели
Настройка mode на web_grounding активирует Fast Search в шлюзе API Perplexity перед вызовом модели. Шлюз формирует для каждого вопроса запрос на основе самого вопроса и начала текста исходных данных, выполняет поисковые запросы параллельно, объединяет результаты и удаляет дубликаты URL. Если несколько вопросов порождают одинаковый запрос, для них используется один поиск. Затем шлюз добавляет к исходным данным заголовки страниц, URL и текст в качестве подтверждающих сведений. Ответы по-прежнему представляют собой вероятности, а search_results поле позволяет разработчикам проверить, какие данные видел модель.
Поиск имеет чёткие ограничения. Одновременно выполняется не более 10 поисковых запросов; на каждый отводится не более одной секунды, а на все поиски в целом — не более трёх секунд. Изображения не ищутся. Запросы отправляются в Perplexity Search API и могут включать как текст вопроса, так и начальную часть исходных данных, поэтому при интеграции необходимо учитывать конфиденциальность передаваемой для поиска информации.
Сбой поиска не обязательно прерывает обработку запроса. Если успешны только некоторые поисковые запросы, модель использует полученные результаты. Если не срабатывает ни один, она отвечает на основе исходных данных и возвращает пустой search_results массив. Поэтому ответ может сохранять обычную структуру даже в том случае, если актуальные веб-данные на него не повлияли.
Рост точности и различия в методах измерения
По сообщению Perplexity, одна и та же модель принятия решений была протестирована на 328 утверждениях с ответом «верно» или «неверно», взятых из новостей за октябрь 2026 года и малоизвестных фактов из Википедии. Для каждого верного утверждения было составлено ложное, отличавшееся от него одной деталью; исходные данные не содержали подтверждающей информации. Точность без привязки к веб-данным составила 56,4%, а с ней — 97,3%; число ошибок сократилось со 143 до девяти. Медианная задержка выросла со 139 до 366 мс, а задержка на 95-м процентиле — с 514 до 742 мс. Таким образом, рост точности сопровождался измеримым снижением скорости.
По словам Parallel Web Systems, в её бенчмарке PWS-Decisions содержится 300 вопросов с закрытым набором ответов: 100 открытых, для которых опубликованы эталонные ответы, и 200 закрытых. Оценка основана на точном совпадении ответов; набор составлялся с акцентом на сложность, а не для оценки точности на среднем потоке запросов. В таблице лидеров Parallel представлены средняя точность и выборочное стандартное отклонение по результатам трёх запусков, проведённых 29 октября 2026 года. Точность Perplexity Decisions на открытой выборке составила 51,00%.
В Perplexity заявили, что pplx-decider-v1.2 в ходе запуска 4 ноября 2026 года система с привязкой к веб-данным правильно ответила на 86 из 100 открытых вопросов. По словам компании, это была наивысшая точность на открытой выборке среди результатов опубликованной таблицы лидеров. На этой сотне вопросов клиент Perplexity измерил медианную задержку в 370 мс и задержку на 95-м процентиле в 685 мс. Отдельные измерения задержки, проведённые Parallel, охватывают полные ответы в трёх запусках на всём наборе из 300 вопросов, поэтому эти два набора показателей задержки относятся к разным объёмам данных.
Стоимость и интеграция
Запрос с привязкой к веб-данным может включать до 100 вопросов. Каждый завершённый поиск стоит $0.001, поэтому плата за поиск при запросе со 100 вопросами не превысит $0.10. Кроме того, за найденные данные взимается плата как за входные токены, и они учитываются в лимите входных данных в 256K токенов. Стандартная pplx-decider-v1.2 модель стоит $0.02 за миллион входных токенов, а pplx-decider-flash-v1.2 стоит $0.01 за миллион; выходные токены предоставляются бесплатно.
Группировка вопросов влияет на итоговую стоимость токенов. В стандартной модели подтверждающие данные учитываются повторно, если из-за ограничений на входные данные вопросы приходится разделять на группы. Модель Flash обрабатывает каждый вопрос отдельно и каждый раз повторно учитывает исходные данные и подтверждающую информацию. Поэтому стоимость привязки к веб-данным зависит от количества поисковых запросов, объёма найденного текста и способа, которым выбранная модель распределяет вопросы по группам.
При интеграции есть одно ограничение, связанное с типизацией. Библиотека Perplexity для Python версии 0.44.0 и выше и TypeScript SDK версии 0.39.0 и выше поддерживают API, однако их типы пока не позволяют передавать mode и search_results. В Python режим передаётся через extra_body, а в TypeScript — в теле запроса.
В числе рекомендуемых Perplexity сценариев — проверка того, привлекали ли компании финансирование за последние 90 дней, отслеживание зависимостей для выявления стабильных выпусков новее зафиксированной версии и подтверждение того, что мероприятие всё ещё запланировано, прежде чем агент зарегистрирует на него пользователя. В таких сценариях привязка к актуальным данным добавляет проверяемые свидетельства к вероятности, которую программное обеспечение может использовать для установки порогового значения или проверки. Компромисс касается не только точности: задержка, расход токенов, плата за поиск и любые пробелы в доказательной базе во всех этих сценариях search_results — всё это влияет на то, что именно означает возвращаемая вероятность.
