Perplexity: Sonar Deep Research

Perplexity: Sonar Deep Research is een op onderzoek gericht tekstmodel van Perplexity, het bedrijf achter de Sonar-familie van op zoeken gebaseerde modellen. Het werd door de provider uitgebracht op 7 maart 2025. Het is gericht op complex, meerstaps onderzoekswerk in plaats van snelle conversationele antwoorden, en het valt in de tekstcategorie op api14, dus het is bedoeld voor het lezen en schrijven van tekst en niet voor afbeeldingen of audio.

Het model werkt door meerstaps retrieval, synthese en redenering over een onderwerp uit te voeren. In plaats van vanuit een enkele doorgang te antwoorden, doorzoekt, leest en beoordeelt het autonoom bronnen, en verfijnt het zijn aanpak terwijl het materiaal verzamelt. Het accepteert tekst als invoer en retourneert tekst als uitvoer. Het contextvenster is 128.000 tokens, en de maximale uitvoer is 115.200 tokens, wat ruim voldoende ruimte laat voor lange, bronnenrijke rapporten.

Die mogelijkheden wijzen op een tamelijk specifieke set toepassingen. Het is geschikt voor vragen waarbij bewijs van meerdere plaatsen moet worden gehaald en vervolgens tot één samenhangend antwoord moet worden gecombineerd: literatuur- en marktscans, achtergrondonderzoek naar een bedrijf of technologie, het vergelijken van standpunten across bronnen, en het opstellen van lange briefs waarin de redenering uiteen moet worden gezet. Omdat het model bronnen leest en weegt als onderdeel van de run, is het een redelijke keuze wanneer je een geschreven synthese wilt in plaats van een enkele feitelijke opzoeking.

Je roept het aan via api14 met de OpenAI-compatibele API met het model-id "perplexity/sonar-deep-research". De request-parameters die het ondersteunt zijn frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, temperature, top_k, top_p, en web_search_options. Omdat de interface OpenAI-compatibel is, kun je een bestaande OpenAI-client op api14 richten en het model op dit id instellen. De parameters reasoning en include_reasoning laten je de redeneeruitvoer van het model naar voren halen als je dat wilt, en web_search_options geeft je controle over de retrieval-kant van de run.

Houd rekening met de focus ervan wanneer je het kiest. Het is een onderzoeks- en synthesemodel, dus voor chat met lage latentie, eenvoudige extractie, of classificatie met hoog volume is een lichter tekstmodel meestal de betere keuze. Als je beeld- of audio-invoer nodig hebt, is dit model niet het juiste, aangezien het alleen tekst verwerkt.