Ugruntowanie w sieci dla Decisions API

Modele decyzyjne AI są szybkie i ekonomiczne, ale wiedzą tylko to, co przesyłają im użytkownicy, i to, czego nauczyły się podczas trenowania. W przypadku pytań o zmieniające się fakty, na przykład o to, czy ktoś nadal jest prezesem firmy albo czy produkt doczekał się nowego wydania, model potrzebuje aktualnych informacji, aby odpowiedzieć trafnie.

Od dziś Decisions API od Perplexity może przeszukiwać sieć, zanim udzieli odpowiedzi.

Dodaj jedno ustawienie, "mode": "web_grounding", do dowolnego żądania Decisions API, a Perplexity Fast Search wykona jedno zapytanie dla każdego pytania. Wyniki są dodawane do pola state jako dowody, dzięki czemu model decyzyjny zwraca prawdopodobieństwa oparte na tym, co jest w sieci w tej chwili. Pole state może też zawierać adres URL, aby wskazać modelowi konkretną stronę internetową zamiast wpisywać jej tekst.

W PWS-Decisions, publicznym benchmarku obejmującym 100 pytań zależnych od aktualnych faktów z sieci, dokładność wzrosła z 51% do 86%, a typowy czas odpowiedzi nie przekraczał 400 ms.

Model decyzyjny zwraca liczbę jako odpowiedź na każde pytanie. Użytkownicy wysyłają treść jako state (tekst, JSON lub obrazy) wraz z jednym lub kilkoma pytaniami. W przypadku pytania typu noul (tak lub nie) wynikiem jest prawdopodobieństwo odpowiedzi „tak”. W przypadku pytania typu choice wynikiem jest prawdopodobieństwo dla każdej opcji zdefiniowanej przez użytkownika. W przypadku pytania typu score wynikiem jest prawdopodobieństwo dla każdego poziomu Twojej skali ocen oraz oczekiwana ocena.

Model ma dwa źródła informacji: pole state wysłane przez użytkownika oraz to, czego nauczył się podczas trenowania. To wystarczy w przypadku pytania takiego jak „Czy ta opinia zgłasza wadę?”. Nie wystarczy jednak, aby odpowiedzieć na pytanie „Czy ta osoba nadal jest prezesem?”. Odpowiedź mogła się zmienić po trenowaniu, a nic w polu state o tym nie mówi. Ugruntowanie w sieci dodaje trzecie źródło: sieć przeszukiwaną w momencie wysłania żądania. Pole state może też zawierać adres URL, dzięki czemu użytkownik może wskazać modelowi stronę internetową zamiast tekstu.

Web Grounding działa w bramie API, zanim zostanie wywołany model. Dla każdego pytania w żądaniu brama tworzy zapytanie Fast Search. Zapytania są wykonywane równolegle. Brama scala wyniki, usuwa zduplikowane adresy URL i dołącza do stanu dowody: tytuł, adres URL i tekst strony. Jeśli stanem jest adres URL, zapytanie wyszukiwania zawiera ten adres, więc jako dowód zwracana jest sama strona, a model odpowiada na podstawie jej tekstu. Model zwraca prawdopodobieństwa tak samo jak w przypadku każdego innego żądania do Decisions API. Jeśli wyszukiwanie się nie powiedzie lub przekroczy limit czasu, model odpowiada na podstawie dowodów, które udało się uzyskać. Odpowiedź zawiera search_results, dzięki czemu użytkownik może zobaczyć, co widział model. Żądanie użytkownika i struktura odpowiedzi pozostają takie same. Zmieniają się jedynie dowody, którymi model dysponuje, udzielając odpowiedzi.

Wysłaliśmy 328 twierdzeń typu prawda/fałsz do tego samego modelu decyzyjnego dwukrotnie: raz z ugruntowaniem w sieci, a raz bez niego. Twierdzenia podzielono na wiadomości z października 2026 r. i rzadkie fakty z Wikipedii, a każde prawdziwe twierdzenie miało fałszywego bliźniaka różniącego się jednym szczegółem. W polu state nie podano żadnych dowodów.

Bez Web Grounding Decisions API poprawnie oceniło 56,4% twierdzeń, co jest wynikiem bliskim zgadywania. Z Web Grounding poprawnie oceniło 97,3% twierdzeń, co zmniejszyło liczbę błędów ze 143 do 9. Ceną jest szybkość: mediana opóźnienia wzrosła ze 139 ms do 366 ms, a opóźnienie dla 95. percentyla – z 514 ms do 742 ms.

PWS-Decisions to publiczny benchmark złożony z pytań zamkniętych dotyczących kwalifikowania kont, możliwości produktów, reguł polityk i szybko zmieniających się wydarzeń. 100 pytań jest publicznie dostępnych, a odpowiedzi są oceniane na podstawie dokładnej zgodności z odpowiedzią referencyjną. 4 listopada 2026 r. przetestowaliśmy na nich Decisions API + Web Grounding (pplx-decider-v1.2), które poprawnie odpowiedziało na 86 z nich. Pozostałe wyniki poniżej pochodzą z rankingu opublikowanego przez autorów benchmarku. Podany przez nich wynik 51% dla Decisions API bez Web Grounding pokrywa się z wynikiem naszego własnego testu.

Mediana czasu odpowiedzi na żądania Decisions API + Web Grounding wyniosła 370 ms, a 95. percentyl – 685 ms (pomiar z naszego klienta na 100 publicznych pytaniach). Autorzy benchmarku podają 560 ms i 710 ms dla swojego API na pełnym zestawie 300 pytań (pomiar z ich klienta 29 października 2026 r.). Na tle opublikowanej tabeli wyników Decisions API + Web Grounding osiąga najwyższą dokładność na zestawie publicznym przy medianie czasu odpowiedzi poniżej 400 ms.

Włącz ugruntowanie w sieci, aby odpowiadać na pytania, na które same dane nie odpowiedzą: gdy fakty zmieniły się po trenowaniu, a w sieci opublikowano nowe informacje. Kilka przykładów:

Kwalifikuj konta na podstawie najnowszych wiadomości. „Czy w ciągu ostatnich 90 dni pozyskano finansowanie?” – dla całej listy kont.
Śledź narzędzia, od których zależysz. „Czy jest dostępne stabilne wydanie nowsze niż nasza przypięta wersja?” – sprawdzane zgodnie z harmonogramem.
Potwierdzaj, zanim agent zacznie działać. „Czy to wydarzenie nadal się odbędzie?” – sprawdzane przed dokonaniem rezerwacji.

Każda odpowiedź to prawdopodobieństwo, na podstawie którego kod programisty może podjąć działanie, wraz ze źródłami internetowymi, na których się opiera.

Dodaj "mode": "web_grounding" do dowolnego żądania do Decisions API. Stanem (state) może być tekst, na przykład twierdzenie lub rekord, albo adres URL.

Zweryfikuj twierdzenie na podstawie informacji z sieci:

bash

curl -X POST https://api.perplexity.ai/v1/decisions \
  -H "Authorization: Bearer $PERPLEXITY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "pplx-decider-v1.2",
    "mode": "web_grounding",
    "state": "Claim: The James Webb Space Telescope launched in December 2021.",
    "questions": {
      "supported": {
        "type": "noul",
        "instructions": "Is the claim true?"
      }
    }
  }'

Odpowiedź zawiera dodatkowo pole search_results, czyli strony, które przeczytał model. 4 listopada to żądanie zwróciło prawdopodobieństwo odpowiedzi „tak” powyżej 0,99, a pierwszym wynikiem był wpis NASA dotyczący statku kosmicznego.

Wskaż modelowi stronę, przekazując jej adres URL jako stan (state):

bash

curl -X POST https://api.perplexity.ai/v1/decisions \
  -H "Authorization: Bearer $PERPLEXITY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "pplx-decider-v1.2",
    "mode": "web_grounding",
    "state": "https://pypi.org/project/requests/",
    "questions": {
      "newer_stable_release": {
        "type": "noul",
        "instructions": "Has this package published a stable release newer than 2.31.0 as of today?"
      }
    }
  }'

W bibliotece Perplexity dla języka Python przekaż parametr mode w treści żądania:

python

from perplexity import Perplexity

client = Perplexity()

response = client.decisions.create(
    model="pplx-decider-v1.2",
    state="Claim: The James Webb Space Telescope launched in December 2021.",
    questions={"supported": {"type": "noul", "instructions": "Is the claim true?"}},
    extra_body={"mode": "web_grounding"},
)

print(response.answers["supported"].noul)

Każde ukończone wyszukiwanie kosztuje 0,001 USD oprócz opłaty za tokeny wejściowe. Dowody z wyszukiwania są wliczane do tokenów wejściowych. Żądanie korzystające z Web Grounding może zawierać do 100 pytań.

Zacznij od zapoznania się z dokumentacją Web Grounding.

Jak działa model decyzyjny

Jak działa ugruntowanie w sieci

Testowanie ugruntowania w sieci

PWS-Decisions

Co mogą tworzyć programiści

Pierwsze kroki