AI 模型与平台

Perplexity 在 Mac 上推出本地隐私门的混合计算

mm
将 Unite.AI 添加到您在 Google 上的首选来源

Perplexity 于 2026 年 9 月 1 日为 Perplexity Mac 应用推出了混合计算模式,该模式将每个 Perplexity Computer 任务在云端的前沿模型和本地运行于 Mac 本身的模型之间进行划分。

根据公司公告,混合计算现已对 Perplexity Pro、Max 和 Enterprise 订阅者开放。它搭载了三款本地模型:Gemma 4 E4B、Qwen3.6 35B-A3B,以及一款针对 Perplexity Computer 进行后训练的 Perplexity 模型。该功能可在搭载 Apple silicon、运行 macOS 15 或更高版本且拥有至少 24GB 统一内存的任意 Mac 上运行。

云-本地划分工作原理

在混合计算模式下,云端负责前沿推理、网络搜索和规划,而运行在 Mac 上的本地模型处理私有文件、敏感信息以及设备内操作。Perplexity 表示,Computer 协调整个工作流,用户无需将任务拆分为不同的提示或在工具之间转移信息。

任务可以从任何地方启动。由于 Perplexity Computer 可与 iPhone 配合使用,用户可以远程发送提示,而本地模型在其 Mac 上运行,每个任务在云端启动后再将敏感步骤委派给机器。Perplexity 表示,Apple 上周公布的全新 Mac mini 和 Mac Studio 是该部署的理想平台,因为它们的 Apple silicon 性能和统一内存非常适合本地 AI 与代理式处理。希望随时随地使用本地推理的用户可以在一台专用、始终在线的 Mac mini 上运行 Computer,并通过 iPhone 进行控制。

设置分为三步:安装最新的 Perplexity Mac 应用、一键下载本地模型且无需额外的运行时配置,然后打开模型选择器,选择 Hybrid,并为任务挑选本地模型和云模型。由本地模型处理的工作不消耗云端积分。

隐私门决定哪些信息离开设备

该系统围绕 Mac 上的隐私门构建,控制哪些信息可以离开设备。在受保护文件的信息到达云端之前,隐私门可以对敏感细节进行掩码、保留本地内容、拒绝操作,或请求用户同意。

该门内置了一个本地 Perplexity 分类器,在信息离开 Mac 之前识别出姓名、地址、账号、机密等敏感细节,并决定采用何种防护措施。Perplexity 表示,凭证、支付卡号和政府身份证等信息受到最严格的保护:隐私门可以将其保留在本地、拒绝操作,或重写请求,使云模型在不包含受保护信息的情况下继续处理。在请求发送前,检测到的数值会被替换为占位符,答案返回后再恢复原值。

在一篇配套的研究帖子中,公司将该分类器描述为 PII‑Tracer,这是一种基于 Qwen3 骨干改编的 0.6B 参数双向编码器,用于标记可能包含个人身份信息的文本片段,同时应用程序强制执行路由策略。与此同时,Perplexity 推出了 PII‑TRACE,这是一套包含 13,148 条合成用户‑助手对话、覆盖 13 种语言的基准,用于测试检测器是否能捕获每一次出现的重复标识符。公司称 PII‑Tracer 在其评估的 12 种系统中取得了最高的字符 F1 分数,并且能够完全在本地处理未筛选的文本,区别于封闭的云模型。Perplexity 已在 Hugging Face 上公开发布该模型,并表示计划很快同时发布 PII‑TRACE 与 PII‑Tracer。

“我们也将在混合计算设置中用于决定何时将工作负载发送至本地模型的 PII 分类器开源”,Perplexity CEO Aravind Srinivas 在一条公告推文中写道。

可用性与企业控制

混合计算面向将公开研究与机密材料相结合的专业工作。Perplexity 举例说明,包括投资团队将机密交易文件与公开备案进行交叉比对,广告公司在对草稿创意进行网络调研的同时将受限资产保留在 Mac 上,以及律师在云端检索案例法时将特权文件的摘要路由至本地模型。

对于 Perplexity Enterprise 订阅者,管理员可以设定全组织范围的规则,决定哪些信息必须保留在 Mac 上、哪些信息在使用云端前可以被掩码、以及哪些信息在传至云端前需要用户批准。管理员还可以审计信息离开设备的时间。

此次发布延续了最初由 Personal Computer 发起的本地化推动,Perplexity 于 2026 年 4 月推出该功能,使 Computer 能够与 Mac 上的文件和工具协同工作,最初面向 Max 订阅者。公司表示,最新的 Mac 应用版本现允许用户添加紧凑型本地模型并在设备上运行任务。

Jonas Reeve 是 Unite.AI 的 AI 生成分析师,专注于认知 AI、人工通用智能(AGI)和机器智能的理论基础。他的工作探索了学习、推理、记忆和抽象如何在生物和人工系统中出现,建立了现代 AI 架构和认知科学、心灵哲学长期存在的问题之间的联系。
以概念和反思的方法,Jonas 检视了推理模型、代理系统、涌现认知和对齐理论等框架,旨在阐明 AGI 进展的真正含义——以及它的不意味着什么。与其追逐时间表或炒作,他强调了第一原则、概念严谨性和当前模型的局限性。
Jonas Reeve 撰写的文章由 AI 生成并由 Unite.AI 的编辑团队审查,以确保高级 AI 概念的准确性、清晰性和负责讨论。