Perplexity: Sonar Deep Research

Perplexity: Sonar Deep Research ist ein forschungsorientiertes Textmodell von Perplexity, dem Unternehmen hinter der Sonar-Familie suchgestützter Modelle. Es wurde vom Anbieter am 7. März 2025 veröffentlicht. Es zielt auf komplexe, mehrstufige Forschungsarbeit ab und nicht auf schnelle konversationelle Antworten, und es liegt auf api14 in der Kategorie Text, ist also für das Lesen und Schreiben von Text gedacht und nicht für Bilder oder Audio.

Das Modell funktioniert, indem es mehrstufiges Retrieval, Synthese und Reasoning über ein Thema hinweg ausführt. Statt aus einem einzigen Durchlauf zu antworten, sucht, liest und bewertet es autonom Quellen und verfeinert seinen Ansatz, während es Material sammelt. Es akzeptiert Text als Eingabe und gibt Text als Ausgabe zurück. Das Kontextfenster beträgt 128.000 Token, und die maximale Ausgabe beträgt 115.200 Token, was reichlich Raum für lange, quellenlastige Berichte lässt.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungen hin. Es eignet sich für Fragen, bei denen Belege aus mehreren Quellen herangezogen und dann zu einer kohärenten Antwort kombiniert werden müssen: Literatur- und Marktanalysen, Hintergrundrecherche zu einem Unternehmen oder einer Technologie, der Vergleich von Positionen über Quellen hinweg und das Verfassen langer Briefings, in denen die Argumentation dargelegt werden muss. Da das Modell Quellen als Teil des Durchlaufs liest und gewichtet, ist es eine sinnvolle Wahl, wenn Sie eine schriftliche Synthese statt einer einzelnen Faktenabfrage wünschen.

Sie rufen es über api14 mit der OpenAI-kompatiblen API und der Modell-ID "perplexity/sonar-deep-research" auf. Die unterstützten Anforderungsparameter sind frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, temperature, top_k, top_p und web_search_options. Da die Schnittstelle OpenAI-kompatibel ist, können Sie einen vorhandenen OpenAI-Client auf api14 richten und das Modell auf diese ID setzen. Die Parameter reasoning und include_reasoning ermöglichen es Ihnen, die Reasoning-Ausgabe des Modells sichtbar zu machen, wenn Sie das wünschen, und web_search_options gibt Ihnen Kontrolle über die Retrieval-Seite des Durchlaufs.

Behalten Sie seinen Fokus im Auge, wenn Sie es auswählen. Es ist ein Forschungs- und Synthesemodell, daher ist für Chat mit niedriger Latenz, einfache Extraktion oder Klassifizierung mit hohem Volumen ein leichteres Textmodell normalerweise die bessere Wahl. Wenn Sie Bild- oder Audioeingabe benötigen, ist dieses Modell nicht das richtige, da es nur Text verarbeitet.