Perplexity baut eigene Modellschicht aus: Decision Models, Embeddings und NVIDIA-Kooperation

Position

Perplexity hat sich in den vergangenen Monaten sichtbar von einem reinen Search-Interface in Richtung eigenständiges Modell-Lab verschoben. Mit der Veröffentlichung eigener Inferenz- und Entscheidungsmodelle – darunter die pplx-decider- und pplx-embed-Reihen – tritt das Unternehmen nun direkt in Segmente ein, die bislang von OpenAI, Cohere und spezialisierten API-Anbietern besetzt waren. Die Partnerschaft mit NVIDIA für das JOLT-Forschungsprojekt signalisiert Zugang zu Rechenressourcen und akademischer Glaubwürdigkeit. Auf der Wettbewerbsseite sieht sich Perplexity mit Exa konfrontiert, das in eigenen Benchmarks Überlegenheit bei der Such-API reklamiert – unabhängige Validierungen stehen aus. Eine aktuelle Bewertung des Unternehmens ist aus den vorliegenden Posts nicht ableitbar. Die Verteilungsstrategie über Vercels AI Gateway deutet auf gezielte Erschliessung von Developer-Kanälen hin.

Wichtigste Updates

Der produktiv bedeutsamste Schritt des Zeitraums war die Veröffentlichung von pplx-decider-v1.2, einem Entscheidungsmodell, das laut Perplexity zehnmal günstiger als GPT-6 Luna ist und dabei vergleichbare Qualität liefert. Die Apache-2.0-Lizenzierung erlaubt das Selbst-Hosten, was das Modell für kostensensitive Teams mit eigener Infrastruktur attraktiv macht. Eine lokale Variante – pplx-decider-flash-v1.2 – läuft ohne Cloud-Anbindung direkt auf dem Mac und adressiert damit explizit Datenschutzanforderungen.

Parallel dazu publizierte Perplexity multimodale Late-Interaction-Embeddings unter dem Namen pplx-embed-v2-late in zwei Grössen (0,6B und 9B). Das asymmetrische Deployment-Design – Dokumente werden mit dem grossen Modell indexiert, Anfragen mit dem kleinen beantwortet – zielt direkt auf produktive Retrieval-Pipelines mit Latenz- und Kostenoptimierung.

In der Forschung kooperierte Perplexity mit NVIDIA und stellte JOLT vor, ein RL-Post-Training-Verfahren, das den Rechenaufwand bei mathematischem Reasoning-Training um den Faktor 6,5 reduziert. Das ist für Iterationszyklen bei eigenem Modelltraining praktisch relevant und markiert Perplexitys bisher deutlichste öffentliche Positionierung als Forschungsakteur.

Schliesslich veröffentlichte das Unternehmen SPACE, eine auf Firecracker-MicroVMs basierende Sandbox für AI-Agenten, unter Apache-2.0. Damit stellt Perplexity produktionserprobte Isolationsinfrastruktur für Coding- und Browsing-Agenten der Entwickler-Community zur Verfügung – ein Schritt, der Vertrauen in die eigene Agent-Plattform aufbaut, ohne direkte Monetarisierung anzustreben.

Was zu erwarten

Die Verfügbarkeit der Decider-Modelle über Vercels AI Gateway legt nahe, dass Perplexity die Distributionspartnerschaften mit Infrastrukturanbietern systematisch ausbauen will. Die offene Lizenzierung mehrerer Modelle deutet auf eine Strategie hin, die Entwickler-Adoption über Ökosystem-Präsenz vor direkter Monetarisierung priorisiert. Der Markteintritt von Exa mit eigenen, von Perplexity abgegrenzten Such-API-Benchmarks erhöht den Druck, unabhängige Leistungsbelege nachzuliefern. Das JOLT-Framework mit NVIDIA ist als Forschungsveröffentlichung dokumentiert, aber ob daraus ein eigenständiges Training-as-a-Service-Angebot folgt, geht aus den vorliegenden Posts nicht hervor.