Perplexity ma bemutatta a Portable Computer nevű termékét, a vállalat „Computer” agentikus platformjának olyan változatát, amely kizárólag a felhasználó meglévő hardverén fut. A bevezetés elsőként az Nvidia DGX Spark asztali szuperszámítógépet és Linux rendszereken működő, Nvidia RTX GPU-val szerelt gépeket célozza meg. A fejlesztést szorosan együttműködve végezték az Nvidiával.
A Portable Computer lényege, hogy a modellt, a felhasználói fájlokat és a munkameneteket mind a helyi gépen tartja: a helyben elvégzett munka nem fogyaszt számlázott krediteket. A rendszer alapértelmezés szerint minden feladatot a készüléken indít el, és csak az adott lépés felhőbe küldéséhez kér engedélyt a felhasználótól.
Nate, a Perplexity infrastruktúráért és vállalati fejlesztésekért felelős alelnöke hétfőn tartott sajtóbejáráson azt mondta: „Gyakorlatilag ugyanazt a felhasználói felületet hoztuk el egy teljesen helyi alkalmazásba.” Hozzátette, hogy a csomag tartalmazza az ügynök vázát, az inferenciát és mindent, ami a helyi munkavégzéshez szükséges.
Miért fontos az Nvidia számára
Az Nvidia számára, amely az elmúlt években nagy léptékű AI-adatközpontok eladására fókuszált, a bejelentés stratégiai jelentőségű: a cég szerint a helyi AI túl van a hobbi szinten, és gyakorlati eszközzé vált — miközben a chipgyártó el akarja adni az ezt futtató hardvert.
Nader, az Nvidia fejlesztői technológiáért felelős igazgatója szerint „a helyi AI elérkezett egy fordulóponthoz”, az új, hasznos nyílt modellek megjelenése sokat változtatott a helyzeten.
Hogyan csomagolja egybe a teljes helyi AI-stacket a Portable Computer
A Perplexity Computer platform több lépéses feladatok koordinálására készült: modellek, fájlok, eszközök és web-hozzáférés összehangolásával végez kutatást, elemzést, jelentéskészítést és integrálást vállalati rendszerekbe. A Portable Computer ezt az élményt helyben reprodukálja: a helyi modelleket, az ügynök-vázat, inferencia-motort, eszközöket, alkalmazás-connectorokat és egy biztonsági sandboxot egyetlen rendszerben kínálja.
Perplexity szerint ez a csomagolás kulcskérdés, mert a legtöbb mai helyi AI-stacket külön kell összerakni — modellsúlyok letöltése, inferencia-szerver üzembe állítása, eszközök összekötése és teljesítményhangolás szükséges.
Nate kiemelte: „Historikusan borzasztóan fájdalmas volt felállítani a helyi AI-stacket. A Portable Computerrel arra törekedtünk, hogy az indítás és működés nagyon egyszerű legyen.”
Bemutatók és működés
A hétfői demók egyikén a rendszer egy kiskereskedelmi befektető szerepét játszotta el: egy mappában lévő 1099-es és egyéb befektetési dokumentumokat vizsgált át — érzékeny pénzügyi anyagokat, amelyeket sokan nem szeretnének felhőbe feltölteni. Egy 27 milliárd paraméteres Qwen modellt teljes GPU-kihasználtsággal futtatva a DGX Sparkon az ügynök átvizsgálta a dokumentumokat és jelölte az esetleges felesleges díjakat. Nate megjegyezte, hogy a felületen látható felhőkreditek számlálója „nullán állt”, mert minden a helyi gépen történt.
Egy másik bemutató a hibrid lehetőséget illusztrálta: a rendszer helyben elemezett egy felhasználói funnel CSV-t, majd az eredményt Perplexity connectoron keresztül egy Slack csatornára küldte — jelezve, hogy a helyi első megközelítés nem zárja ki az integrációt a felhőszolgáltatásokkal.
A rendszer képes kapcsolódni Google Drive-hoz, Gmailhez és GitHubhoz, és szükség esetén fel tud lépni egy felhő-alapú „frontier” modellhez, ha a helyi model határaihoz ér. A megjelenéskor a felhasználók beállíthatják a Qwen 3.8 27B-t vagy a PPLX 27B-t (utóbbit a Perplexity saját harness-én utótréningezte), és hamarosan elérhető lesz az Nvidia Nemotron 3.5 Lightning is.
Elérhetőség és hardverkövetelmények
A Portable Computer ma válik elérhetővé Pro, Max, Enterprise Pro és Enterprise Max előfizetők számára Linuxon; a Windows-támogatás szeptemberben érkezik. Bármely RTX GPU, amely legalább 24 GB VRAM-mal rendelkezik — nagyjából egy GeForce RTX 3090 vagy újabb — megfelel a minimális követelménynek. Nate szerint ez „olyan alsó határ, ahol ügyelni akarunk arra, hogy jó élményt adjunk, miközben széles körben elérhetővé tesszük” a megoldást.
Modell- és harness-társtervezés előnyei
A bejelentés mellé Perplexity kutatási anyagot is publikált, amely szerint a hatékony helyi ügynökök esetén a modell és az agent harness — az a váz, amely promptokat, eszközöket és orchestrationt ad a modell köré — együtttervezése kulcsfontosságú. A lényeg az, hogy a célkereskedelmű, általános harness-ek a frontier modellekre számítanak, amelyek hatalmas kontextust és eszközfelületet képesek kezelni; a kis, helyi modellek azonban nehezen birkóznak meg ezekkel az igényekkel.
Perplexity tapasztalatai szerint a Qwen 3.8 27B-höz hasonló modellek esetén, amelyek 260 000 tokenes kontextusablakot hirdetnek, valójában 100 000 token körül kezdődnek a nehézségek. Ennek fényében a vállalat egy szándékosan minimalistább harness-t épített: tömör rendszerprompt, szűkített eszközkészlet, és olyan képességek, amelyek igény szerint töltődnek be „skillek” formájában, ahelyett, hogy folyamatosan a kontextusban foglalnák a helyet.
A népszerű connectorokat (Gmail, GitHub) tokenigényes MCP-szerverek helyett kompakt parancssori eszközökké alakították, hozzáadtak önellenőrző horgonyokat a feladatok állapotának figyelésére, és mindig bekapcsolt operációs rendszer szintű sandboxot alkalmaznak. Ha a sandbox nem elérhető, a harness letiltja önmagát, ahelyett hogy jogosultságok nélküli parancsokat futtatna — ez ellentétben áll sok nyílt forrású harness-szel.
Perplexity belső benchmarkjai és eredmények
A Perplexity által közölt mérési eredmények a cég saját értékeléseiből származnak. A belső Local Knowledge Work Bench nevű tesztcsomagban — amely 53 feladatot tartalmaz mély kutatástól kezdve pénzügyi elemzésen át dokumentumkészítésig, és amelyet a vállalat nyílt forrásúnak tervez — a Computer Qwen 3.8 27B-vel DGX Sparken 82,6%-os pontszámot ért el. Ez a Pi nyílt forrású harness 77,6%-ához és a Hermes 74,0%-ához képest magasabb.
A Perplexity által post-tréningezett PPLX 27B 85,4%-ra tornázta fel a pontszámot. A nehezebb feladatoknál a különbségek jelentősek: a BrowseComp webkutatási benchmarkon Computer 66,7%-ot ért el, míg Pi 50,2%-ot és Hermes 43,9%-ot; ráadásul 51%-kal kevesebb falidőt és 70%-kal kevesebb tokent használt, mint a Pi. Multimodális dokumentumértésnél a Computer 65,1%-ot ért el a Hermes 34,6%-ával és a Pi 13,9%-ával szemben.
Token-gazdaságtan: miért éri meg helyben futtatni az ügynököket
A helyi futtatás gazdasági logikája a munkaterhelések változásából ered: a chat jellegű használat rövid, egykérdés-egyválasz jellegű volt, de az ügynökök folyamatos, sok-tokent felhasználó munkát végeznek — több órán át futhatnak, dokumentumokat vizsgálnak, önellenőrzést végeznek és többszörös iterációkat hajtanak végre. Felhőben ez jelentős API-költséget eredményezne; a helyi eszközön a margó költség gyakorlatilag nulla.
Perplexity vállalati érvelése szerint, ahogy az ügynökök egyéni munkafolyamatokon és szervezeti szinten skálázódnak, a tokenfelhasználás és az adathasználat szabályozása egyre nehezebbé válik. A helyi-first végrehajtás egyszerre csökkenti a kiadásokat (mivel az inferencia helyben ingyenes) és javítja a magánszférát (mivel érzékeny adatok nem hagyják el az eszközt).
A hibrid megközeletést egy konkrét példa mutatja: a Terminal Bench 2.1 kódolási benchmarkon a teljesen helyi Qwen modell 59,6%-ot ért el lényegében nullás marginális költséggel. Ha engedélyezték az eszkalációt egy felhőbeli Claude Opus 5 „tanácsadóhoz”, a pontszám 73,0%-ra nőtt, hozzávetőlegesen 0,415 dollár feladatonkénti költséggel. A frontier modell önmagában 82,4%-ot ért el 0,65 dollár feladatonként. Az eszkaláció tehát a teljesítménykülönbség nagy részét visszahozta alacsonyabb költséggel, és a felhasználó dönt arról, mikor éri meg ez a kompromisszum. A harness minden távoli hívás előtt PII-klasszifikátort futtat az elküldendő kontextus felett, és megmutatja a felhasználónak, mi hagyja el a gépet; a távoli modell csak szöveges útmutatást ad vissza, helyi fájlokhoz vagy eszközökhöz nem fér hozzá.
Hol helyezkedik el a Portable Computer az Ollama és DIY megoldások között
Jason Hiner (The Deep View) rákérdezett, hogyan viszonyul a Portable Computer a meglévő helyi inferenciaeszközökhöz, például az Ollamához. Nate válasza világos különbséget húzott: a különböző eszközök más rétegeket oldanak meg. A Portable Computer többségi erőfeszítése az agent harness szintjén történt; a rendszer alatt a vLLM hosztolja az inferenciát, és van haladó mód azoknak, akik saját inferencia-végpontot szeretnének betölteni.
Nader öntörvényűbben fogalmazott: bár az inferencia gyors beüzemelése Sparks-okon viszonylag sima útvonal (Ollama is használható erre), az egyre összetettebb agentikus feladatoknál több teljesítményre, más modellekre és más harness-ekre lesz szükség — „minél mélyebbre mész, annál mélyebb a tenger”.
Egy jelenlévő, Ben, aki maga is mérnök és nehezen tudta beállítani saját DGX Sparkját, úgy vélte: a termék egy szükséges feloldást hoz, hogy az emberek megértsék, mit jelent az agentikus működés, és hogy a megfelelő UX mennyire fontos.
Az Nvidia–Perplexity szövetség és kommercializáció
A bevezetés tovább erősíti a cégpáros több mint egy éve épülő partneri viszonyát. 2025 júniusában az Nvidia és a Perplexity együttműködést jelentett be szuverén AI-modellek európai kiadói és távközlési cégek számára, ami része volt Jensen Huang törekvésének, hogy állami szereplőket is meggyőzzenek az ellátási lánc-szuverenitás fontosságáról. A szuverén AI érvelése — hogy az adat „az ön népéhez, országához, kultúrájához tartozik” — filozófiai szinten hasonló ahhoz az érveléshez, amelyet a Portable Computer egy asztali eszköz szintjén kínál: intelligencia, amit az ön tulajdonában lévő hardverén irányít.
Mindkét cég számára van saját üzleti logika: Perplexity olyan terméket kap, amelynek gazdaságtana nem függ a tokencsillapítástól, és versenyelőnyt nyújthat a magánszféra-kritikus területeken (jog, egészségügy, pénzügy). Az Nvidia pedig egy „killer appot” kap a DGX Spark számára, amelyet a sajtóbeszélgetés résztvevői szerint könnyebb megvásárolni, mint beüzemelni.
Kérdések továbbra is fennállnak: Perplexity lenyűgöző eredményei a cég saját benchmarkjából származnak, és a vállalat elismeri, hogy a kompakt modellek még mindig elmaradnak a frontier modellektől a nehéz érvelési feladatokban — az advisor-eszkaláció „szűkíti, de nem zárja be teljesen” a különbséget. A jelenlegi kiadás Linux-only, a 24 GB VRAM minimum sok fogyasztói PC-t kizár, és az Apple Silicon hiányzik a roadmapról. Nate válasza szerint most nagyon az Nvidia hardverére fókuszálnak.
Következtetés
A Portable Computer bevezetése egyértelmű irányt mutat: egyre több, képességeiben növekvő ügynök mozdul el a távoli infrastruktúráról az egyéni, helyi eszközökre. Perplexity és Nvidia abban bízik, hogy a chipek és a nyílt modellek fejlődése tovább növeli, mit tud megtenni egy asztali gép. A bemutatók legszembetűnőbb részlete talán nem is egy szám vagy pontszám volt, hanem az a képernyő sarokban álló kreditszámláló, amely mozdulatlanul ült a nullán, miközben az ügynök végigment egy adathalmazon — másfél évnyi AI-ipari beszéd után, amelyet gigawattokban és tokencostokban mértek, a Portable Computer egy másik mértéket javasol: egyet, ami soha nem fogy el.
