Perplexity: Sonar Deep Research

Perplexity : Sonar Deep Research est un modèle textuel axé sur la recherche, provenant de Perplexity, l'entreprise à l'origine de la famille de modèles Sonar ancrés dans la recherche. Il a été publié par le fournisseur le 7 mars 2025. Il est destiné à un travail de recherche complexe et à plusieurs étapes plutôt qu'à des réponses conversationnelles rapides, et il appartient à la catégorie texte sur api14, il est donc conçu pour lire et écrire du texte, et non pour les images ou l'audio.

Le modèle fonctionne en exécutant une récupération, une synthèse et un raisonnement à plusieurs étapes sur un sujet. Plutôt que de répondre en une seule passe, il recherche, lit et évalue les sources de manière autonome, et affine son approche au fur et à mesure qu'il rassemble des éléments. Il accepte du texte en entrée et renvoie du texte en sortie. La fenêtre de contexte est de 128 000 tokens, et la sortie maximale est de 115 200 tokens, ce qui laisse amplement de place pour de longs rapports riches en sources.

Ces capacités correspondent à un ensemble d'usages assez spécifique. Il convient aux questions qui nécessitent de rassembler des preuves provenant de plusieurs endroits, puis de les combiner en une seule réponse cohérente : analyses de littérature et de marché, recherche contextuelle sur une entreprise ou une technologie, comparaison de positions entre sources, et rédaction de longs briefs où le raisonnement doit être exposé. Comme le modèle lit et pèse les sources pendant l'exécution, il est adapté lorsque vous souhaitez une synthèse écrite plutôt qu'une simple recherche factuelle.

Vous l'appelez via api14 en utilisant l'API compatible OpenAI avec l'id de modèle "perplexity/sonar-deep-research". Les paramètres de requête pris en charge sont frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, temperature, top_k, top_p et web_search_options. Comme l'interface est compatible OpenAI, vous pouvez pointer un client OpenAI existant vers api14 et définir le modèle sur cet id. Les paramètres reasoning et include_reasoning vous permettent d'exposer la sortie de raisonnement du modèle si vous le souhaitez, et web_search_options vous donne le contrôle sur le volet récupération de l'exécution.

Gardez son orientation à l'esprit lorsque vous le choisissez. C'est un modèle de recherche et de synthèse, donc pour le chat à faible latence, l'extraction simple ou la classification à haut volume, un modèle textuel plus léger sera généralement le meilleur choix. Si vous avez besoin d'une entrée image ou audio, ce modèle n'est pas celui qu'il vous faut, car il ne traite que le texte.