Fundamentação na web para a Decisions API

Os modelos de decisão de IA são rápidos e económicos, mas só sabem o que os utilizadores lhes enviam e o que aprenderam no treino. Para perguntas sobre factos que mudam, como se alguém ainda é CEO de uma empresa ou se um produto tem uma nova versão, um modelo precisa de informação atualizada para responder com precisão.

A partir de hoje, a Decisions API da Perplexity pode pesquisar na web antes de responder.

Adicione uma definição, "mode": "web_grounding", a qualquer pedido à Decisions API e o Perplexity Fast Search executa uma consulta por cada pergunta. Os resultados são adicionados ao seu state como evidências, para que o modelo de decisão devolva probabilidades informadas pelo que está na web neste momento. O state também pode ser um URL, para direcionar o modelo para uma página web específica em vez de introduzir o respetivo texto.

No PWS-Decisions, um benchmark público com 100 perguntas que dependem de factos atuais da web, a precisão subiu de 51% para 86%, com respostas típicas abaixo de 400 ms.

Um modelo de decisão devolve um número como resposta a cada pergunta. Os utilizadores enviam conteúdo como state (texto, JSON ou imagens) com uma ou mais perguntas. Para uma pergunta noul (sim ou não), o resultado é a probabilidade de sim. Para uma pergunta choice, o resultado é uma probabilidade para cada opção definida pelo utilizador. Para uma pergunta score, o resultado é uma probabilidade para cada nível da sua grelha de avaliação e a pontuação esperada.

O modelo tem duas fontes de informação: o state que o utilizador envia e o que aprendeu no treino. Isso é suficiente para uma pergunta como «Esta avaliação reporta um defeito?» Não é suficiente para responder a «Esta pessoa ainda é o CEO?» A resposta pode ter mudado depois do treino, e nada no state o indica. A fundamentação na web acrescenta uma terceira fonte: a web, pesquisada no momento do pedido. O state também pode ser um URL, para que o utilizador possa direcionar o modelo para uma página web em vez de texto.

O grounding é executado no gateway da API antes da chamada ao modelo. Para cada pergunta de um pedido, o gateway cria uma consulta do Fast Search. As consultas são executadas em paralelo. O gateway junta os resultados, remove os URLs duplicados e acrescenta as evidências ao state: título, URL e texto da página. Se o state for um URL, a consulta de pesquisa inclui esse URL, pelo que a própria página é devolvida como evidência e o modelo responde com base no respetivo texto. O modelo devolve probabilidades tal como faria em qualquer pedido à Decisions API. Se uma pesquisa falhar ou exceder o tempo limite, o modelo responde com base nas evidências que tiverem sido devolvidas. A resposta inclui search_results para que o utilizador possa ver o que o modelo viu. O pedido do utilizador e o formato da resposta mantêm-se iguais. O que muda são as evidências de que o modelo dispõe quando responde.

Enviámos 328 afirmações verdadeiras ou falsas ao mesmo modelo de decisão duas vezes, uma com fundamentação na web e outra sem. As afirmações dividiam-se entre notícias de outubro de 2026 e factos raros da Wikipedia, e cada afirmação verdadeira tinha um gémeo falso que diferia num pormenor. Não foram fornecidas evidências no state.

Sem web grounding, a Decisions API respondeu corretamente a 56,4 por cento das afirmações, um resultado próximo do acaso. Com web grounding, respondeu corretamente a 97,3%, reduzindo os erros de 143 para 9. A contrapartida é a velocidade: a latência mediana subiu de 139 ms para 366 ms e a latência do percentil 95 subiu de 514 ms para 742 ms.

O PWS-Decisions é um benchmark público de perguntas fechadas sobre elegibilidade de contas, capacidades de produtos, regras de políticas e acontecimentos em rápida evolução. Há 100 perguntas públicas, avaliadas por correspondência exata com uma resposta de referência. Executámo-las na Decisions API + Web Grounding (pplx-decider-v1.2) a 4 de novembro de 2026 e esta respondeu corretamente a 86. Os restantes resultados abaixo correspondem à tabela de classificação publicada pelos autores do benchmark. Os 51% que obtiveram para a Decisions API sem Web Grounding coincidem com a nossa própria execução.

Os pedidos à Decisions API + Web Grounding obtiveram resposta em 370 ms na mediana e 685 ms no percentil 95, medidos a partir do nosso cliente nas 100 perguntas públicas. Os autores do benchmark indicam 560 ms e 710 ms para a sua API no conjunto completo de 300 perguntas, medidos a partir do cliente deles a 29 de outubro de 2026. Face à tabela de classificação publicada, a Decisions API + Web Grounding tem a maior precisão no conjunto público e uma resposta mediana inferior a 400 ms.

Ative a fundamentação na web para responder a perguntas a que os dados não conseguem responder: quando os factos mudaram depois do treino e há nova informação publicada na web. Alguns exemplos:

Qualificar contas com base em notícias recentes. «Angariou financiamento nos últimos 90 dias?», aplicado a uma lista de contas completa.
Acompanhar as ferramentas de que depende. «Existe uma versão estável mais recente do que a nossa versão fixada?», verificado periodicamente.
Confirmar antes de um agente agir. «Este evento ainda se vai realizar?», verificado antes de fazer a reserva.

Cada resposta é uma probabilidade com base na qual o código de um programador pode agir, acompanhada das fontes web que a sustentam.

Adicione "mode": "web_grounding" a qualquer pedido à Decisions API. O state pode ser texto, como uma afirmação ou um registo, ou um URL.

Verifique uma afirmação na Web:

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?"
      }
    }
  }'

A resposta acrescenta search_results, as páginas que o modelo leu. A 4 de novembro, este pedido devolveu uma probabilidade de sim superior a 0,99, com o registo da nave espacial da NASA como primeiro resultado.

Direcione o modelo para uma página, passando o respetivo URL como 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?"
      }
    }
  }'

Na biblioteca Python da Perplexity, passe mode no corpo do pedido:

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)

Cada pesquisa concluída custa 0,001 $, para além dos tokens de entrada. As evidências da pesquisa contam como tokens de entrada. Um pedido que utilize o Web Grounding pode incluir até 100 perguntas.

Comece por explorar a documentação do web grounding.

Como funciona um modelo de decisão

Como funciona a fundamentação na web

Testar a fundamentação na web

PWS-Decisions

O que os programadores podem criar

Primeiros passos