Perplexity 每一次納入新模型，都是很強的信號：這一次，亮的是 Kimi K2。

7 月 13 日，Perplexity 聯合創始人兼 CEO Aravind Srinivas 在 X 上發布消息：“Kimi K2 的內部評測結果非常驚艷，我們很快會啟動 post-training。”

Perplexity的站臺，讓K2在開源社區的熱度繼續飆升，這種盛況并不陌生——上一次出現類似的轟動效應，正是Perplexity宣布選擇納入DeepSeek-R1的時候。

這背后反映出一個有趣的現象：對于全球開發者來說，Perplexity用不用某個開源模型，實際上已經演變成了一個重要的風向標。它所指向的，不僅僅是技術優劣，更是開源模型能否經受住真實產業環境考驗的關鍵信號。

AI搜索是離“真實世界任務”最近的試煉場，而Perplexity對模型的需求遠不止“便宜”這么簡單。

Aravind曾在Reddit上解釋為什么沒有接入GPT-4.5：“GPT-4.5的解碼速度只有11個token/秒，相比之下，4o是110個token/秒（快10倍），我們自己的Sonar模型是1200個token/秒（快100倍）。這導致用戶體驗不佳，因為他們期望快速、準確的答案。”

換句話說，實時響應和低延遲是選型的生死線。Perplexity的峰值請求量可達日常十倍，任何超過兩秒的等待都會顯著降低用戶體驗。在vLLM + FP8實測中，K2的MoE架構僅激活32B參數，在相同硬件條件下輸出速度比R1快一倍，且單位成本更低，這正是高并發場景下經濟與性能的最佳平衡點。

今年4月，Aravind預告了Perplexity的系列新功能，他強調這不是簡單的產品改動，而是底層模型的重構：“我們需要重寫基礎設施才能大規模實現。”

他描述的核心功能是更強大的深度研究代理，能夠思考30分鐘或更長時間，“包括工具使用、交互式和代碼執行功能，就像Manus等最近的原型所展示的那樣。”

這本質上是一個純Agent模式：給定自然語言需求，模型必須自主拆解任務、調用工具、執行代碼，最終生成完整報告。這種能力恰好與Kimi K2的“模型即Agent”理念完全對齊——K2不是把Agent能力當作后訓練插件，而是在預訓練階段就將原生Agent技能刻入權重。

K2在訓練階段引入了數百萬條合成Agent任務，覆蓋搜索、瀏覽器、日歷、Python、SQL等17種真實工具調用場景。模型學會在單一會話內連續編排16-20步操作，無需人類編寫工作流。官方演示中，K2用16次IPython調用將13萬行原始數據完成清洗、建模、繪圖并輸出交互網頁報告，全程零人工干預——這直接對應Perplexity設想的“30分鐘自主研究”。

當然，選擇開源模型的更深層原因在于完整的控制權。擁有完整權重意味著Perplexity可以任意進行LoRA、RLHF、工具蒸餾，無需擔心調用頻率、并發上限或隱私合規問題。K2采用MIT改協議，月活低于1億即可商用，Hugging Face直接提供fp8/fp16全套權重，128K上下文窗口足夠一次性處理整份財報。對Perplexity而言，這意味著“模型-索引-工具”三層架構可以完全私有化，不再受任何閉源條款約束。

Perplexity 在其發展過程中，逐步從依賴 OpenAI 的 GPT 模型轉向使用開源模型，并在此基礎上進行了自研和微調。

2023年下半年，Perplexity 宣布推出兩款新的“pplx-7b-online”和“pplx-70b-online”，分別基于開源模型 Mistral-7b 和 LLaMA 2-70b 構建。“我們從LLaMA-2發布之日起就開始使用開源模型，”Aravind Srinivas說道。

從模型特點來看，Mistral-7B以輕量化和高速度成為早期嘗試，驗證了小模型在特定任務的可行性；Llama-2-70B提供了更廣的知識覆蓋面；隨后，Perplexity還采用了Code Llama-34B，補強了代碼相關的垂直能力。

真正的轉折點出現在2025年2月，DeepSeek-R1讓Perplexity完成了從“使用開源模型”到“基于開源模型自研”的關鍵跳躍，獲得了完整的權重控制能力。而后，Perplexity又繼續深度調優Sonar模型，展現了自研能力的成熟，專門針對搜索問答場景進行優化。

如今選擇Kimi K2，正是這一戰略的最新體現——不僅在速度和成本上優于R1，其原生Agent能力更完美契合了“30分鐘自主研究”的產品需求。

綜合來看，Perplexity的模型選型必須在高性價比與高性能之間找到平衡，同時滿足特定的產品需求。由于目前尚無開源模型能完全達到其標準，Perplexity只能階段性地選擇最優解，這種“擇優而用”的策略反而讓其成為了開源模型能力評判的重要風向標。