Perplexity: Sonar Pro Search

Perplexity: Sonar Pro Search é um modelo de texto da Perplexity, lançado pelo fornecedor em 30 de outubro de 2025. É descrito como o sistema de busca agêntica mais avançado da Perplexity, criado para raciocínio e análise mais profundos, e está disponível exclusivamente através da API, e não do produto de consumo. Se você já está encaminhando outros modelos através do api14, esta é a entrada da Perplexity voltada para cargas de trabalho intensivas em busca, em vez de chat simples.

O modelo aceita entrada de texto e imagem e retorna saída de texto. Tem uma janela de contexto de 200.000 tokens e uma saída máxima de 8.000 tokens. Por ser um sistema de busca agêntica, as requisições podem ser combinadas com opções de busca na web, e o modelo suporta um modo de raciocínio, bem como uma opção para incluir o raciocínio na resposta. Essa combinação o torna adequado a perguntas em que a resposta depende de informações atuais mais alguma análise do que foi recuperado, em vez de uma única passagem sobre um prompt estático.

Os usos práticos decorrem dessas características. Assistentes de pesquisa que precisam reunir fontes e depois compará-las ou resumi-las são um encaixe natural, assim como varreduras competitivas e de mercado em que os fatos subjacentes mudam com frequência. A entrada de imagem estende isso a tarefas como ler uma captura de tela, gráfico ou página de documento e depois buscar contexto relacionado. Fluxos de trabalho intensivos em análise, como reunir descobertas de vários tópicos em uma única resposta fundamentada, também se encaixam bem no design de busca agêntica. Tarefas de geração direta sem componente de recuperação costumam ser mais baratas e simples em um modelo de texto padrão.

Você o chama através da API compatível com OpenAI do api14 usando o id de modelo "perplexity/sonar-pro-search". Os parâmetros de requisição suportados são frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, structured_outputs, temperature, top_k, top_p e web_search_options. Na prática, você definiria web_search_options quando quiser o comportamento de busca ativado, usaria reasoning ou include_reasoning quando precisar que o raciocínio do modelo seja exposto, e contaria com structured_outputs quando o resultado tiver de ser analisado por código. Controles de amostragem como temperature, top_p e top_k, junto com os parâmetros de penalidade e max_tokens, se comportam como em outros endpoints compatíveis com OpenAI.

As principais restrições a ter em mente são o teto de saída de 8.000 tokens e a modalidade de saída apenas texto, portanto documentos gerados muito longos ou saídas que não sejam texto estão fora do escopo. Imagens de entrada são aceitas, mas a resposta é sempre texto. Se sua tarefa não precisa de busca ou raciocínio em várias etapas, um modelo de texto de uso geral provavelmente será um encaixe melhor.