Perplexity: Sonar Pro Search

Perplexity: Sonar Pro Search to model tekstowy od Perplexity, udostępniony przez dostawcę 30 października 2025. Opisuje się go jako najbardziej zaawansowany agentowy system wyszukiwania Perplexity, zbudowany do głębszego rozumowania i analizy, dostępny wyłącznie przez API, a nie w produkcie konsumenckim. Jeśli już kierujesz inne modele przez api14, to jest wpis Perplexity skierowany do obciążeń związanych z wyszukiwaniem, a nie do zwykłego czatu.

Model przyjmuje dane wejściowe tekstowe i obrazowe oraz zwraca dane wyjściowe tekstowe. Ma okno kontekstu wynoszące 200 000 tokenów i maksymalne wyjście 8 000 tokenów. Ponieważ jest to agentowy system wyszukiwania, żądania można łączyć z opcjami wyszukiwania w sieci, a model obsługuje tryb rozumowania oraz opcję uwzględnienia rozumowania w odpowiedzi. To połączenie sprawia, że nadaje się do pytań, w których odpowiedź zależy od bieżących informacji oraz pewnej analizy tego, co zostało pobrane, a nie od pojedynczego przejścia przez statyczny prompt.

Praktyczne zastosowania wynikają z tych cech. Asystenci badawczy, którzy muszą zbierać źródła, a następnie je porównywać lub podsumowywać, pasują tu naturalnie, podobnie jak przeglądy konkurencji i rynku, w których podstawowe fakty często się zmieniają. Wejście obrazowe rozszerza to na zadania takie jak odczytanie zrzutu ekranu, wykresu lub strony dokumentu, a następnie wyszukanie powiązanego kontekstu. Przepływy pracy intensywnie wykorzystujące analizę, takie jak łączenie ustaleń z kilku tematów w jedną uzasadnioną odpowiedź, również dobrze pasują do konstrukcji agentowego wyszukiwania. Proste zadania generowania bez komponentu pobierania danych są zwykle tańsze i prostsze w standardowym modelu tekstowym.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "perplexity/sonar-pro-search". Obsługiwane parametry żądania to frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, structured_outputs, temperature, top_k, top_p oraz web_search_options. W praktyce ustawiasz web_search_options, gdy chcesz uruchomić zachowanie wyszukiwania, używasz reasoning lub include_reasoning, gdy potrzebujesz ujawnienia rozumowania modelu, i polegasz na structured_outputs, gdy wynik musi być parsowany przez kod. Kontrolki próbkowania, takie jak temperature, top_p i top_k, wraz z parametrami kary i max_tokens, działają tak samo jak w innych punktach końcowych zgodnych z OpenAI.

Główne ograniczenia, o których należy pamiętać, to pułap wynoszący 8 000 tokenów wyjściowych oraz modalność wyjściowa wyłącznie tekstowa, więc bardzo długie generowane dokumenty lub wyniki inne niż tekstowe są poza zakresem. Obrazy wejściowe są akceptowane, ale odpowiedź jest zawsze tekstowa. Jeśli Twoje zadanie nie wymaga wyszukiwania ani wieloetapowego rozumowania, model tekstowy ogólnego przeznaczenia będzie prawdopodobnie lepszym wyborem.