Perplexity 发布本地优先 Agent 研究：端侧 27B 模型在真实知识工作上超越开源方案

Perplexity 近日在 X 平台公布了一项名为「Portable Computer」的本地优先（local-first）智能体研究，主打私密性与成本可控。其核心方案是在端侧部署一个 27B 参数模型，在真实知识工作评测中得分 82.6%；在对该模型进行后训练后得到的 PPLX 27B 版本，得分进一步提升至 85.4%。官方表示，这一成绩高于两款开源智能体方案 Pi 和 Hermes。

核心数据与对比

• 端侧 27B 模型（未后训练）：在真实知识工作评测中取得 82.6% 的得分。
• 后训练后的 PPLX 27B：得分提升至 85.4%。
• 对比对象：开源 Agent 方案 Pi 与 Hermes——官方称 Portable Computer 的两个版本均超过这两个基线。

这一结果意味着，一个完全在本地运行的中等规模模型，已经能够在「真实知识工作」这类偏应用的评测上，逼近或超过部分既有开源 Agent 框架。

本地优先 Agent 的价值

Portable Computer 的定位强调两点：隐私与成本。

• 隐私：所有推理在端侧完成，数据不上传云端，适合对数据敏感的企业或个人场景。
• 成本：不依赖云端推理 API，长期使用边际成本更低，且没有按 token 计费的压力。

搭配 27B 这一「可在消费级显卡上运行」的量级，方案在硬件门槛和性能之间做了一次折中尝试。

背景与局限

Perplexity 本身以 AI 搜索产品著称，此次以「New research」的形式发文，意味着这更像是一篇研究博客/技术报告，而非面向消费者的产品发布。原文仅给出评测分数与对比基线，没有披露：

• 所使用的具体评测基准名称与题目集；
• Pi、Hermes 的版本与配置；
• 27B 模型的基础架构（是否来自 Llama、Qwen 等开源底座）；
• 后训练所用的数据与流程细节。

因此，该 85.4% 的「SOTA」结论的横向可比性，仍需等待完整论文或技术博客放出后才能进一步判断。对于关注本地 LLM Agent 方向的开发者与研究者，这依然是一个值得追踪的信号。