Perplexity: Sonar Pro Search

Perplexity: Sonar Pro Search är en textmodell från Perplexity, släppt av leverantören den 30 oktober 2025. Den beskrivs som Perplexitys mest avancerade agentiska söksystem, byggt för djupare resonemang och analys, och den är uteslutande tillgänglig via API:et snarare än konsumentprodukten. Om du redan dirigerar andra modeller genom api14, är detta Perplexity-posten som riktar sig mot sökintensiva arbetsbelastningar snarare än vanlig chatt.

Modellen tar emot text och bild som indata och returnerar text som utdata. Den har ett kontextfönster på 200 000 tokens och en maximal utdata på 8 000 tokens. Eftersom det är ett agentiskt söksystem kan förfrågningar paras ihop med webbsökalternativ, och modellen stöder ett resonemangsläge samt ett alternativ för att inkludera resonemanget i svaret. Den kombinationen gör den lämpad för frågor där svaret beror på aktuell information plus viss analys av det som hämtades, snarare än en enda genomgång av en statisk prompt.

Praktiska användningsområden följer av dessa egenskaper. Forskningsassistenter som behöver samla in källor och sedan jämföra eller sammanfatta dem passar naturligt, liksom konkurrent- och marknadsanalyser där de underliggande fakta ändras ofta. Bildindata utökar detta till uppgifter som att läsa en skärmbild, ett diagram eller en dokumentsida och sedan söka efter relaterat sammanhang. Analysintensiva arbetsflöden, som att sammanställa resultat från flera ämnen till ett resonerat svar, passar också väl med den agentiska sökdesignen. Enkla genereringsuppgifter utan hämtningskomponent är vanligtvis billigare och enklare med en standardtextmodell.

Du anropar den genom api14:s OpenAI-kompatibla API med modell-id:t "perplexity/sonar-pro-search". De förfrågningsparametrar som stöds är frequency_penalty, include_reasoning, max_tokens, presence_penalty, reasoning, structured_outputs, temperature, top_k, top_p och web_search_options. I praktiken ställer du in web_search_options när du vill att sökbeteendet aktiveras, använder reasoning eller include_reasoning när du behöver få modellens resonemang synligt, och förlitar dig på structured_outputs när resultatet måste tolkas av kod. Samplingskontroller som temperature, top_p och top_k, tillsammans med straffparametrarna och max_tokens, beter sig som de gör för andra OpenAI-kompatibla slutpunkter.

De främsta begränsningarna att ha i åtanke är taket på 8 000 tokens för utdata och utdatamodaliteten som endast är text, så mycket långa genererade dokument eller utdata som inte är text ligger utanför räckvidden. Indatabilder accepteras, men svaret är alltid text. Om din uppgift inte behöver sökning eller resonemang i flera steg är en allmän textmodell sannolikt en bättre passning.