Perplexity: Sonar Pro Search

Perplexity: Sonar Pro Search è un modello testuale di Perplexity, rilasciato dal provider il 30 ottobre 2025. È descritto come il sistema di ricerca agentico più avanzato di Perplexity, progettato per ragionamento e analisi più approfonditi, ed è disponibile esclusivamente tramite l'API anziché nel prodotto consumer. Se stai già instradando altri modelli attraverso api14, questa è la voce Perplexity pensata per carichi di lavoro ad alta intensità di ricerca anziché per semplice chat.

Il modello accetta input testuali e immagini e restituisce output testuale. Ha una finestra di contesto di 200.000 token e un output massimo di 8.000 token. Poiché è un sistema di ricerca agentico, le richieste possono essere abbinate a opzioni di ricerca web, e il modello supporta una modalità di ragionamento oltre a un'opzione per includere il ragionamento nella risposta. Questa combinazione lo rende adatto a domande in cui la risposta dipende da informazioni attuali più una qualche analisi di ciò che è stato recuperato, anziché da una singola passata su un prompt statico.

Gli usi pratici derivano da queste caratteristiche. Gli assistenti di ricerca che devono raccogliere fonti e poi confrontarle o riassumerle sono una scelta naturale, così come le analisi competitive e di mercato in cui i fatti di fondo cambiano spesso. L'input di immagini estende questo a compiti come leggere uno screenshot, un grafico o la pagina di un documento e poi cercare il contesto correlato. Anche i flussi di lavoro ad alta intensità di analisi, come riunire i risultati di diversi argomenti in un'unica risposta ragionata, si mappano bene sul design della ricerca agentica. I compiti di generazione semplice senza componente di recupero sono di solito più economici e più semplici su un modello testuale standard.

Lo chiami attraverso l'API compatibile con OpenAI di api14 usando il model id "perplexity/sonar-pro-search". I parametri di richiesta supportati sono frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, structured_outputs, temperature, top_k, top_p e web_search_options. In pratica imposteresti web_search_options quando vuoi attivare il comportamento di ricerca, useresti reasoning o include_reasoning quando hai bisogno che il ragionamento del modello venga esposto, e ti affideresti a structured_outputs quando il risultato deve essere analizzato dal codice. I controlli di campionamento come temperature, top_p e top_k, insieme ai parametri di penalità e max_tokens, si comportano come negli altri endpoint compatibili con OpenAI.

I principali vincoli da tenere a mente sono il tetto di output di 8.000 token e la modalità di output solo testuale, quindi documenti generati molto lunghi o output non testuali sono fuori ambito. Le immagini di input sono accettate, ma la risposta è sempre testuale. Se il tuo compito non richiede ricerca o ragionamento multi passo, un modello testuale generico sarà probabilmente una scelta migliore.