Perplexity: Sonar Deep Research

Perplexity: Sonar Deep Research to model tekstowy skupiony na badaniach od Perplexity, firmy stojącej za rodziną modeli Sonar opartych na wyszukiwaniu. Został udostępniony przez dostawcę 7 marca 2025. Jest przeznaczony do złożonej, wieloetapowej pracy badawczej, a nie do szybkich odpowiedzi konwersacyjnych, i należy do kategorii tekstowej na api14, więc służy do czytania i pisania tekstu, a nie do obrazów czy dźwięku.

Model działa, przeprowadzając wieloetapowe wyszukiwanie, syntezę i rozumowanie w ramach tematu. Zamiast odpowiadać na podstawie jednego przebiegu, autonomicznie wyszukuje, czyta i ocenia źródła oraz udoskonala swoje podejście w miarę gromadzenia materiału. Przyjmuje tekst jako dane wejściowe i zwraca tekst jako dane wyjściowe. Okno kontekstu wynosi 128 000 tokenów, a maksymalna długość danych wyjściowych to 115 200 tokenów, co pozostawia dużo miejsca na długie raporty oparte na wielu źródłach.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Model nadaje się do pytań, które wymagają zebrania dowodów z kilku miejsc, a następnie połączenia ich w jedną spójną odpowiedź: przeglądy literatury i rynku, badania tła dotyczące firmy lub technologii, porównywanie stanowisk z różnych źródeł oraz tworzenie długich notatek, w których trzeba przedstawić tok rozumowania. Ponieważ model czyta i ocenia źródła w trakcie działania, jest rozsądnym wyborem, gdy potrzebujesz pisemnej syntezy, a nie pojedynczego wyszukania faktu.

Wywołujesz go przez api14 za pomocą interfejsu API zgodnego z OpenAI, używając identyfikatora modelu "perplexity/sonar-deep-research". Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, temperature, top_k, top_p oraz web_search_options. Ponieważ interfejs jest zgodny z OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i ustawić model na ten identyfikator. Parametry reasoning i include_reasoning pozwalają ujawnić dane wyjściowe rozumowania modelu, jeśli tego chcesz, a web_search_options daje kontrolę nad częścią wyszukiwawczą przebiegu.

Pamiętaj o jego specjalizacji, gdy go wybierasz. To model badawczy i syntetyzujący, więc do czatu o niskich opóźnieniach, prostego ekstrahowania danych lub klasyfikacji o dużej przepustowości zwykle lepszym wyborem będzie lżejszy model tekstowy. Jeśli potrzebujesz danych wejściowych w postaci obrazu lub dźwięku, ten model nie jest właściwy, ponieważ obsługuje wyłącznie tekst.