Perplexity ha trasladado Deep Research a Computer, su sistema de orquestación multimodelo. La actualización mejora la precisión, la profundidad del análisis y la calidad de las citas. Deep Research ahora divide las preguntas difíciles en subtareas y las dirige a través de más de 20 modelos de frontera. Devuelve informes, presentaciones y paneles listos para trabajar, todo dentro de la computadora.
Investigación profunda en informática
Deep Research es un modo que ejecuta muchas búsquedas, lee fuentes y escribe un informe citado. La nueva versión se encuentra dentro de Perplexity Computer, que se lanzó a fines de febrero de 2026. Computer es un sistema en la nube que coordina hasta 20 modelos de IA en un flujo de trabajo. Es independiente del modelo, con Opus 4.6 como motor de razonamiento central. Los subagentes se encargan de trabajos especializados, como Gemini para tareas de investigación profunda.
Deep Research in Computer se basa en dos partes: el SDK de búsqueda de agentes y la búsqueda como código. Con una pregunta compleja, crea automáticamente un plan de investigación. Luego encuentra fuentes primarias en cientos de sitios y cita cada afirmación.
Buscar como código: cómo funciona
El modelo escribe código que ensambla la búsqueda misma. Ese código ejecuta miles de pasos de recuperación en paralelo, adaptados a cada pregunta. El script se ejecuta en una zona de pruebas y llama al SDK de búsqueda agente de Perplexity. El SDK expone primitivas de búsqueda como filtrado, deduplicación y reclasificación. Esto difiere de una canalización fija que ejecuta los mismos pasos cada vez. La búsqueda basada en código permite que el sistema se bifurque, compare y refine a medida que aprende.
Search as Code se está implementando tanto en la computadora como en la API del agente. De esta manera, los desarrolladores pueden llegar a la misma pila de búsqueda agente mediante programación. La computadora también lee sus archivos junto con la web en vivo. Puede obtener un PDF o una hoja de cálculo para el contexto interno. Luego lo compara con datos del censo, Statista y otras fuentes.
Un ejemplo de desarrollador funcional
Deep Research in Computer es una función de consumo para los usuarios de Perplexity Max. Los desarrolladores llegan a la misma pila a través de la API del agente de pago por uso. El SDK oficial incluye un ajuste preestablecido de investigación profunda, que se muestra a continuación.
El punto final es POST https://api.perplexity.ai/v1/agent. También acepta POST /v1/responses para compatibilidad con OpenAI SDK.
Punto de referencia
Perplexity publicó números de antes y después comparando Deep Research heredado con la versión para computadora. Las ganancias son mayores en la navegación agente, donde el sistema debe navegar por muchas páginas.
BrowseComp prueba la capacidad de un agente para encontrar información difícil de localizar mediante la navegación. El salto del 40,7% al 83,8% es la mayor ganancia mostrada. El último examen de la humanidad cubre preguntas de expertos en muchos temas académicos. DeepSearchQA ya se encontraba en un nivel alto, por lo que su ganancia es menor pero positiva.
Casos de uso, con ejemplos
Perplexity envía tareas iniciales que muestran el alcance previsto.
Finanzas: compare el flujo de caja y los márgenes de beneficio de las principales empresas de chips de IA durante cinco años. Legal: mapee en qué se diferencian las leyes de privacidad de datos de EE. UU. y Europa en una tabla comparativa. Atención sanitaria: sintetizar evidencia de ensayos clínicos sobre si los medicamentos para bajar de peso mejoran la salud del corazón. Tecnología: comparar modelos líderes en cuanto a capacidad de razonamiento, costo y duración del contexto.
Cada tarea termina en un entregable. Puede convertir un informe en un resumen, una presentación o una hoja de cálculo en vivo. La computadora lee y escribe dentro del archivo, no al lado de él. Muestra una vista previa antes de que llegue cualquier cambio, que usted apruebe o rechace.
Cómo elige modelos
La computadora dirige cada subtarea al modelo más adecuado para ella. Un modelo de razonamiento legal maneja la revisión de contratos. Un modelo de datos maneja las verificaciones de variaciones de las hojas de cálculo. Un modelo de escritura se encarga del borrador final. Las fuentes de datos premium respaldan las respuestas, incluidos PitchBook y CB Insights. Los datos legales se encuentran actualmente en vista previa.
Fortalezas y limitaciones
Fortalezas:
La búsqueda basada en código ejecuta miles de pasos de recuperación en paralelo por pregunta. Grandes ganancias medidas en la navegación agente, lideradas por el resultado de BrowseComp. Lee archivos internos y la web en vivo, citando cada reclamo en línea. Produce entregables listos: informes, resúmenes, presentaciones, paneles y hojas de cálculo en vivo.
Limitaciones:
Las cifras de referencia son propias, por lo que la verificación independiente sigue siendo importante. La función en la computadora se centra en Perplexity Max, no en un nivel gratuito. La cobertura de fuentes premium varía y los datos legales permanecen en vista previa. Los resultados aún necesitan revisión humana, ya que “citado” no siempre significa correcto.
Conclusiones clave
Perplexity trasladó la investigación profunda a la informática, dirigiendo las subtareas de investigación a través de más de 20 modelos fronterizos. “Buscar como código” permite al modelo escribir código que ejecuta miles de pasos de recuperación en paralelo. La precisión de BrowseComp saltó del 40,7% al 83,8%; El último examen de la humanidad aumentó del 36,4% al 50,5%. Lee sus archivos y la web en vivo, citando cada reclamo en informes, presentaciones y paneles. Los desarrolladores pueden acceder a la misma pila de búsqueda de agente a través de la API de agente de pago por uso.
Consulta los detalles técnicos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.
