Perplexity ลดค่าใช้จ่ายในการวิจัยด้วย Agent API และเพิ่มระดับ Ultra Effort

Perplexity ประกาศเมื่อวันที่ 5 พฤศจิกายน 2026 ว่าค่าใช้จ่ายต่อคำขอของทุกระดับความพยายามใน API สำหรับเอเจนต์ลดลง และรายงานว่าคุณภาพงานวิจัยในชุดค่าที่กำหนดไว้สูงขึ้นหรือไม่เปลี่ยนแปลง ระดับ Medium ทำคะแนนบน BrowseComp และ DSQA ได้ดีขึ้นจาก 55% เป็น 77% ขณะที่ค่าใช้จ่ายลดลงเกือบ 90% และมีระดับ Ultra ใหม่ให้ใช้งานสำหรับงานวิจัยขอบเขตกว้าง

ระดับความพยายามรวบรวมการเลือก โมเดล ขีดจำกัดจำนวนขั้นตอนการวิจัยและการเรียกใช้เครื่องมือ ลักษณะการค้นหา และเครื่องมือที่ใช้ได้ไว้เป็นชุดค่าที่มีชื่อกำกับ ช่วยให้นักพัฒนาเลือกสมดุลระหว่างค่าใช้จ่าย ความเร็ว และความลึกของการวิจัยได้ โดยไม่ต้องตั้งค่าองค์ประกอบแต่ละอย่างแยกกัน คำขออย่างเช่น effort="fast" จะได้รับการตั้งค่าฉบับปรับปรุงโดยอัตโนมัติ

Perplexity ระบุว่า ที่ระดับ xhigh คะแนน WANDR ยังคงอยู่ที่ 76.5% ขณะที่การตั้งค่านี้มีค่าใช้จ่ายประมาณ 25% ของระดับในเดือนสิงหาคม 2026 ระดับนี้ออกแบบมาสำหรับงานแบบเอเจนต์ที่เปิดกว้าง รวมถึงการเรียกใช้โค้ดในแซนด์บ็อกซ์ การทำงานต่อเนื่องเป็นวงจรยาวที่ใช้เครื่องมือ และการรวบรวมหลักฐานจากแหล่งข้อมูลจำนวนมาก

เอกสารวิจัย WANDRอธิบายชุดประเมิน 500 งาน ซึ่งออกแบบจากงานรวบรวมข้อมูลที่สมจริง เอเจนต์ต้องค้นหาหน่วยงานที่ตรงตามเกณฑ์ และส่งคืนระเบียนที่สามารถตรวจสอบแหล่งที่มาและข้อความคัดมาได้อย่างเป็นอิสระ ผู้ประเมินเฉพาะสำหรับแต่ละงานจะเรียกดูหน้าที่อ้างอิงอีกครั้ง แล้วประเมินระเบียนโดยเทียบกับหลักฐานดังกล่าว จึงไม่ต้องใช้ชุดคำตอบมาตรฐานแบบตายตัว

Ultra ใช้เอเจนต์สี่ตัวเพื่อวิจัยได้ครอบคลุมยิ่งขึ้น

Ultra เป็นระดับเพิ่มเติมจาก fast, low, medium, high และ xhigh ใน เอกสารทางการเกี่ยวกับระดับความพยายาม โดยกำหนดให้เหมาะกับงานวิจัยและการรวบรวมข้อมูลในวงกว้าง ซึ่งความครบถ้วนสำคัญกว่าความหน่วง การตั้งค่านี้ใช้ anthropic/claude-opus-5-5และยังมีโหมดทำงานเบื้องหลังให้ใช้สำหรับงานที่ใช้เวลานาน

Ultra มอบหมายปัญหาวิจัยเดียวกันให้เอเจนต์สามตัวทำงานพร้อมกัน เพื่อให้แต่ละตัวรวบรวมหลักฐานอย่างเป็นอิสระ เอเจนต์ตัวที่สี่จะรวมผลลัพธ์ ตัดข้อมูลที่ค้นพบซ้ำกัน และเรียบเรียงคำตอบ Perplexity รายงานคะแนน WANDR ที่ 85.9% โดยมีค่าใช้จ่าย 21.71 ดอลลาร์ต่องาน ซึ่งเป็นผลลัพธ์สูงสุดในบรรดาการตั้งค่าที่ทดสอบ

การปรับงบประมาณและบริบทช่วยลดค่าใช้จ่ายในการวิจัย

มีการจำกัดการใช้จ่ายในแต่ละระดับด้วยการกำหนดจำนวนขั้นตอน เพดานจำนวนการเรียกใช้เครื่องมือทั้งหมด และการแจ้งเตือนเป็นระยะเกี่ยวกับงบประมาณที่เหลือ เพดานจำนวนการเรียกใช้เครื่องมือที่แยกต่างหากนี้สำคัญ เพราะหนึ่งขั้นตอนอาจเรียกใช้เครื่องมือหลายตัวได้หลายครั้ง การแจ้งเตือนดังกล่าวช่วยให้เอเจนต์กันงบประมาณไว้เพียงพอสำหรับตรวจสอบหลักฐานและส่งคำตอบ แทนที่จะหยุดกลางคัน

การทดลองหนึ่งที่ใช้ openai/gpt-6-luna แสดงให้เห็นว่าเหตุใดข้อจำกัดเหล่านี้จึงสำคัญ Perplexity รายงานว่าเมื่อเพิ่มจำนวนขั้นตอนที่อนุญาตจาก 1 เป็น 15 ความแม่นยำบน BrowseComp และ DSQA เพิ่มจาก 41% เป็น 80% ขณะที่ค่าใช้จ่ายต่อคำขอเพิ่มจาก 0.0017 ดอลลาร์เป็น 0.0152 ดอลลาร์ ดังนั้นการจัดสรรงบประมาณจึงส่งผลทั้งต่อคุณภาพของคำตอบและค่าใช้จ่ายในการได้มาซึ่งคำตอบ

การบีบอัดบริบทช่วยจัดการกับปัจจัยที่ทำให้เกิดค่าใช้จ่ายอีกประการหนึ่ง เมื่อบริบทมีขนาดเกินเกณฑ์ ระบบจะย่อเนื้อหางานก่อนหน้าให้เป็นบทสรุปสิ่งที่ค้นพบและงานที่ยังเหลืออยู่ โดยยังคงพรอมต์ระบบ คำขอต้นฉบับ และทักษะที่โหลดไว้ จากนั้นระบบจะสั่งให้เอเจนต์ทำงานต่อ พร้อมแจ้งจำนวนครั้งที่บีบอัด เพื่อไม่ให้เข้าใจผิดว่าบทสรุปนั้นหมายถึงการสิ้นสุดงาน

การดึงข้อมูลช่วยลดปริมาณเนื้อหาที่เอเจนต์ต้องนำไปใช้ต่อ แทนที่จะส่งทั้งหน้าให้เอเจนต์ fetch_url ระบบจะให้โมเดลขนาดเล็กกว่าเลือกข้อความที่เกี่ยวข้องกับงานปัจจุบันและคัดคำพูดมาแบบตรงตามต้นฉบับเพื่อใช้อ้างอิง ที่ระดับ high Perplexity รายงานว่าโทเค็นนำเข้าต่อคำขอลดลงประมาณ 50% และได้ผลลัพธ์ 88.0% โดยมีค่าใช้จ่าย 0.073 ดอลลาร์ต่อคำขอ เทียบกับผลลัพธ์ 83.5% ที่ค่าใช้จ่าย 0.094 ดอลลาร์เมื่อไม่ใช้การดึงข้อมูล

การเปลี่ยนแปลงที่เกี่ยวข้องยังมุ่งปรับปรุงการค้นหาโดยตรงด้วย ขณะนี้การค้นหาแต่ละครั้งแสดงผลลัพธ์ได้สูงสุด 4K โทเค็น แทนที่จะเป็น 2K และมีระบบเลือกข้อความตัวอย่างแบบใหม่ที่คัดข้อความให้ตรงกับคำค้นมากขึ้น ส่วน Fast Search คิดค่าบริการ 1.00 ดอลลาร์ต่อคำขอ 1,000 ครั้ง การเปลี่ยนแปลงเหล่านี้มีเป้าหมายร่วมกันเพื่อค้นหาหลักฐานที่เป็นประโยชน์โดยใช้การค้นหาน้อยลงและมีบริบทที่ไม่เกี่ยวข้องน้อยลง

การประเมินเวิร์กโฟลว์และความเสถียรของการตั้งค่า

การเลือกเวิร์กโฟลว์ใช้โครงสร้างทักษะแบบเปิดเผยข้อมูลทีละขั้น ในช่วงแรก บริบทจะแสดงเฉพาะชื่อและคำอธิบายของทักษะ ส่วนคำแนะนำฉบับเต็มจะปรากฏหลังจากโมเดลตัดสินใจแล้วว่าเวิร์กโฟลว์นั้นเหมาะกับงาน Perplexity ระบุว่าการโหลดทักษะทั้งหมดไว้ล่วงหน้าทำให้ค่าใช้จ่ายบน BrowseComp และ DSQA เพิ่มขึ้น 13% และทำให้คะแนน WANDR ลดลง ซึ่งสนับสนุนแนวทางการโหลดเวิร์กโฟลว์เฉพาะเมื่อจำเป็น

ระบบทดสอบอัตโนมัติจะประเมินโมเดลใหม่เมื่อเริ่มเปิดให้ใช้งาน โดยทดสอบระดับความพยายามในการให้เหตุผล งบประมาณจำนวนขั้นตอนและการเรียกใช้เครื่องมือ รวมถึงการตั้งค่าเครื่องมือ โมเดลที่นำมาพิจารณาจะเข้ามาแทนโมเดลเดิมก็ต่อเมื่อให้คุณภาพดีกว่าด้วยค่าใช้จ่ายเท่าเดิมหรือต่ำกว่า Perplexity ระบุว่าโมเดลหนึ่งได้คะแนนบน BrowseComp สูงกว่าค่าพื้นฐาน 13.3 คะแนน แต่กลับได้คะแนนต่ำกว่าค่าพื้นฐานในงานวิจัยภายในด้านองค์กร กฎหมาย และการเงิน แสดงให้เห็นว่าเหตุใดผลการทดสอบมาตรฐานสาธารณะเพียงอย่างเดียวจึงไม่อาจใช้ตัดสินการเลือกโมเดลได้

เอกสารแยกความแตกต่างระหว่างชื่อแบบไดนามิก เวอร์ชันที่ตรึงไว้ และการกำหนดค่าที่บันทึกแบบตายตัว การเรียกใช้แบบไดนามิกจะรับการเปลี่ยนแปลงที่ผ่านการประเมินในภายหลังโดยไม่ต้องแก้ไขโค้ด ส่วนการเรียกใช้เวอร์ชันที่ตรึงไว้จะคงรุ่นเดิมไว้ แม้การกำหนดค่าที่ใช้งานอยู่จะเปลี่ยนเป็นรุ่นใหม่แล้ว ขณะที่การเรียกใช้แบบบันทึกตายตัวจะคัดลอกฟิลด์สาธารณะ แต่การตั้งค่าที่อยู่นอกสคีมาคำขอซึ่งระบุไว้ในเอกสารอาจไม่ถูกรวมมาด้วย Ultra ไม่มีการกำหนดค่าแบบบันทึกตายตัว จึงต้องเรียกใช้ด้วยชื่อ

สำหรับนักพัฒนา ความแตกต่างที่นำไปใช้ได้จริงคือการอัปเดตอัตโนมัติกับการทำซ้ำผลลัพธ์ได้อย่างสม่ำเสมอ กล่าวคือ ระดับแบบไดนามิกจะรับการปรับแก้ที่ Perplexity ประเมินแล้ว ส่วนเวอร์ชันที่ตรึงไว้จะคงการกำหนดค่าที่ทราบแน่ชัดไว้ Ultra ขยายระบบนี้ให้ครอบคลุมมากขึ้น และการออกแบบให้มีเอเจนต์ 4 ตัวทำให้การประสานงานเป็นส่วนหนึ่งของการคำนวณต้นทุนเทียบกับคุณภาพ ควบคู่ไปกับการเลือกโมเดล