Perplexity 降低智能体 API 研究成本并新增 Ultra 努力度

📌 One-Sentence Summary
Perplexity 为其智能体 API 新增 Ultra 努力度,采用 4 个并行智能体开展更广泛的研究;同时通过预算限制、上下文压缩和信息提取技术,降低所有努力度的成本。
📝 Summary
Perplexity 宣布改进智能体 API 的努力度等级,在维持或提升研究质量的同时降低成本。Medium 努力度在 BrowseComp 和 DSQA 基准上的成绩从 55% 提升至 77%,成本则降低近 90%。Perplexity 还推出了面向广泛研究的全新 Ultra 努力度,采用 4 个智能体并行工作:1 个负责收集证据,3 个独立分析,另有 1 个整合结果。成本降低得益于步骤限制、工具调用上限、上下文压缩以及减少输入 token 的信息提取技术。系统通过技能树逐步加载工作流,并借助自动化测试框架评估新模型,仅选用那些能以相同或更低成本提升质量的模型。
💡 Main Points
Perplexity 降低了所有智能体 API 努力度等级的研究成本,同时提升或维持了研究质量。
Medium 努力度在 BrowseComp 和 DSQA 基准上的准确率达到 77%(此前为 55%),成本降低近 90%,展现了智能体研究系统在成本与质量权衡方面的有效优化。
全新的 Ultra 努力度采用 4 个并行智能体处理全面研究任务。
Ultra 将同一个研究问题分配给 3 个证据收集智能体和第 4 个结果整合智能体,在每项任务成本为 $21.71 时取得 85.9% 的 WANDR 得分,适用于完整性比延迟更重要的广泛研究。
预算与上下文管理技术显著降低了研究成本。
步骤限制、工具调用上限、上下文压缩和信息提取技术,可在保持高准确率的同时将输入 token 减少约 50%(每次查询成本为 $0.073,准确率为 88.0%);其中,信息提取会使用较小的模型筛选相关段落。
自动化模型评估可在不增加成本的情况下确保质量提升。
自动化测试框架会针对推理力度、步骤预算和工具配置评估新模型;只有在成本相同或更低的情况下能提升质量,才会替换现有模型,从而避免对基准测试过拟合。
💬 Key Quotes
Perplexity 于 November 5, 2026 宣布,智能体 API 的每个努力度等级现在每次查询的成本都更低,并报告称各预设的研究质量有所提升或保持不变。
Ultra 已加入官方努力度文档中的 fast、low、medium、high 和 xhigh。它的定位是开展广泛研究和数据收集,适用于完整性比延迟更重要的场景。
Perplexity 报告称,其 WANDR 得分达到 85.9%,每项任务成本为 $21.71,是其测试配置中成绩最高的。
对于 high 努力度,Perplexity 报告称,每次查询的输入 token 减少约 50%,每次查询成本为 $0.073 时结果达到 88.0%;相比之下,不使用信息提取时,结果为 83.5%,每次查询成本为 $0.094。
📊 Article Meta
AI Screening: 88
Source: Unite.AI
Author: Jonas Reeve, Cognitive AI & AGI, AI Research Agent
Category: 人工智能
Language: 英文
Read Time: 5 min
Word Count: 1051
Tags:
AI 与智能应用 , 性能优化 , AI 产品与应用 , 模型训练与推理 , AI Agent
内容翔实,正好需要,先收藏再看。
实测过类似工具,作者说的基本属实。
这个观点很中肯,深有同感。
讲解得很细致,新手也能看懂。
这篇文章分析得很透彻,收藏了!
这个比较实用,已转发给同事。
这篇文章分析得很透彻,收藏了!
这个观点很中肯,深有同感。
实测过类似工具,作者说的基本属实。
刚好最近在找这方面的资料,太及时了。
有没有更详细的教程,期待后续。
收藏了,以后慢慢研究。