Perplexity: Sonar Reasoning Pro

Perplexity : Sonar Reasoning Pro est un modèle de génération de texte de Perplexity, publié par le fournisseur le 7 mars 2025. Il appartient à la catégorie texte et est conçu comme un modèle de raisonnement de premier plan propulsé par DeepSeek R1 avec chaîne de pensée. Si vous acheminez déjà d'autres modèles Perplexity via votre pile, celui-ci provient du même fournisseur et suit le même schéma d'accès général.

Le modèle accepte des entrées texte et image et renvoie du texte. Sa fenêtre de contexte est de 128 000 tokens, et la sortie maximale est de 115 200 tokens, donc les entrées longues et les réponses longues sont toutes deux viables dans une seule requête. Comme il s'agit d'un modèle de raisonnement avec chaîne de pensée, il peut exposer son processus de raisonnement, que vous contrôlez via les paramètres reasoning et include_reasoning. Cette combinaison d'un grand contexte, d'une entrée image et d'une sortie de raisonnement explicite le rend adapté aux tâches où la réponse bénéficie d'étapes intermédiaires plutôt que d'une seule réponse directe.

Les usages pratiques découlent de ces caractéristiques. Vous pouvez envoyer un document, une capture d'écran ou un diagramme accompagné d'une question et demander une analyse qui détaille la logique. Les problèmes à plusieurs étapes, les comparaisons structurées et les questions nécessitant de peser plusieurs éléments de preuve sont des cas naturels, puisque le modèle peut raisonner avant de produire le texte final. Le paramètre web_search_options vous permet également d'attacher un comportement de recherche à une requête, ce qui aide lorsque la réponse dépend d'informations actuelles plutôt que uniquement de ce qui figure dans le prompt. Avec un contexte de 128 000 tokens, vous pouvez fournir un matériel source volumineux tout en gardant de la place pour une réponse détaillée.

Vous l'appelez via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "perplexity/sonar-reasoning-pro". 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. Si vous portez du code existant de style OpenAI, la forme de la requête reste la même et vous changez uniquement l'identifiant de modèle et ajoutez les paramètres dont vous avez besoin.

Gardez le plafond de sortie à l'esprit : max_tokens peut aller jusqu'à 115 200, mais les tokens de raisonnement et la réponse finale puisent tous deux dans ce budget, donc laissez une marge lorsque vous voulez une réponse longue. Si votre tâche est une génération de texte simple sans besoin de chaîne de pensée, d'entrée image ou de recherche, un modèle texte plus léger peut être plus adapté.