--- title: "Perplexity AI (PT)" source: "https://systems-analysis.info/int/Perplexity_AI_(PT)" wiki: "systems-analysis.info/int" article: "Perplexity_AI_(PT)" language: "pt" categories: - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:Portuguese" revision_id: 5560 wiki_created_at: 2026-09-06T23:51:00Z wiki_modified_at: 2026-09-06T23:51:00Z downloaded_at: 2026-09-07T23:09:09Z --- # Perplexity AI (PT) **Perplexity AI** é uma startup americana e um **mecanismo de busca** homônimo (conversational search engine), que utiliza inteligência artificial para fornecer respostas diretas às consultas dos usuários com a indicação das fontes de informação^{[\[1\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-wikipedia-ru-pplx-1)}. A empresa foi fundada em 2022 por uma equipe de especialistas da OpenAI, Meta, Google, DeepMind e Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-rbc-trends-2)}. A plataforma combina seus próprios grandes modelos de linguagem (LLM) e o acesso aos principais modelos de outras empresas, o que lhe permite otimizar a velocidade, a precisão e o custo das respostas. A tecnologia principal da Perplexity é um sistema avançado de **Retrieval-Augmented Generation (RAG)**, que enriquece as respostas do LLM com informações atuais de sua própria infraestrutura de busca^{[\[3\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-rag-intro-3)}. ## História e fundadores A empresa Perplexity AI foi fundada em 2022 por quatro especialistas: - **Aravind Srinivas** (CEO) — ex-pesquisador na OpenAI, Google Brain e DeepMind^{[\[4\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-wiki-eng-shrinivas-4)}. - **Denis Yarats** (CTO) — ex-cientista pesquisador na Meta AI. - **Johnny Ho** (CSO) — ex-engenheiro na Quora. - **Andy Konwinski** — cofundador da Databricks^{[\[2\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-rbc-trends-2)}. Inicialmente, o projeto foi concebido como um serviço B2B para análise de dados, mas em outubro de 2022, a equipe desenvolveu um protótipo de mecanismo de busca baseado no Bing e no GPT-3, o que definiu o rumo futuro da empresa^{[\[5\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-forbes-ru-story-5)}. A Perplexity AI atraiu investimentos significativos de grandes players, incluindo Nvidia, SoftBank e o fundador da Amazon, Jeff Bezos. No início de 2025, a avaliação da empresa atingiu **US\$ 14 bilhões**^{[\[6\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-vashgolos-14b-6)}, e a audiência ativa mensal ultrapassou **15 milhões** de usuários^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-3dnews-growth-7)}. ## Arquitetura tecnológica ### Retrieval-Augmented Generation (RAG) A base da Perplexity é a tecnologia **RAG**, que permite superar as limitações dos LLMs tradicionais, como conhecimento desatualizado e "alucinações". O algoritmo de funcionamento consiste em várias etapas^{[\[8\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-timeweb-rag-8)}: 1. Análise e reformulação da consulta do usuário para uma busca otimizada. 2. Busca de informações usando uma **infraestrutura de busca própria** (crawler e sistema de ranqueamento), que prioriza fontes confiáveis e não-SEO^{[\[7\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-3dnews-growth-7)}. 3. Extração dos fragmentos ("snippets") mais relevantes das páginas da web encontradas. 4. Geração de uma resposta coesa e precisa por meio de um LLM com base nesses fragmentos. 5. Formatação da resposta com **citações** e links para as fontes originais. ### Estratégia multimodelo A Perplexity utiliza uma abordagem híbrida, combinando modelos próprios e de terceiros para alcançar um equilíbrio entre velocidade, precisão e custo^{[\[9\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-kedprof-claude-9)}. - Para respostas rápidas na versão gratuita, o **Claude 3 Haiku** é frequentemente utilizado. - Para tarefas complexas na versão paga Pro, estão disponíveis modelos mais poderosos, como o **Claude 3.5 Sonnet** e o **GPT-4o**. Os usuários com a assinatura **Perplexity Pro** podem escolher manualmente entre uma ampla gama de modelos, incluindo^{[\[10\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-pro-models-10)}: - **OpenAI**: GPT-4o, GPT-4 Turbo - **Anthropic**: Claude 3.5 Sonnet, Claude 3 Opus, Claude 3 Haiku - **Google**: Gemini 2.5 Pro - **Meta**: Llama 3 - **Mistral AI**: Mistral Large - **xAI**: Grok-3 Beta - Modelos próprios da Perplexity. ## Modelos próprios da Perplexity A empresa desenvolve seus próprios modelos, otimizados para tarefas de busca e para trabalhar com informações atuais da internet. ### Família PPLX (modelos iniciais) Os primeiros modelos próprios da Perplexity, disponíveis via API, foram o **pplx-7b-online** e o **pplx-70b-online**, apresentados em dezembro de 2023^{[\[11\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-marktechpost-pplx-11)}. Eles foram baseados em versões ajustadas (fine-tuned) do **Mistral 7B** e do **Llama 2 70B**, respectivamente, e eram especializados em trabalhar com dados online^{[\[12\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-blog-online-llms-12)}. ### Família Sonar (geração atual) **Sonar** é a principal família de modelos, construída com base no **Llama 3.3 70B** da Meta, mas que passou por um treinamento adicional (fine-tuning) para aumentar a precisão factual e a legibilidade das respostas no modo de busca^{[\[13\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-blog-new-sonar-13)}. Principais características do Sonar: - **Alta velocidade**: Graças à parceria com a **Cerebras** e ao uso de sua infraestrutura de inferência especializada, o Sonar atinge uma velocidade de geração de até **1200 tokens por segundo**, o que é quase 10 vezes mais rápido que o Gemini 2.0 Flash^{[\[14\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-cerebras-partnership-14)}. - **Tecnologia de decodificação especulativa**: Para acelerar ainda mais a geração, é utilizado um "modelo de rascunho" (draft model) próprio de 1B, que permite ao modelo principal gerar vários tokens em uma única passagem^{[\[15\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-blog-speculation-15)}. - **Alto desempenho**: Na avaliação **Search Arena** da LM Arena, o modelo **Sonar-Reasoning-Pro** conquistou o primeiro lugar, empatando estatisticamente com o Gemini-2.5-Pro-Grounding^{[\[16\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-blog-search-arena-16)}. ## API e soluções corporativas A Perplexity oferece acesso aos seus modelos através da **Sonar API** e da **Sonar Pro API** para desenvolvedores e clientes corporativos. As APIs são otimizadas para velocidade e facilidade de uso, incluindo a capacidade de citação e personalização das fontes de busca. As soluções da Perplexity são utilizadas em diversos setores para criar sistemas de busca nativos e automatizar tarefas de pesquisa^{[\[17\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-pplx-blog-sonar-pro-api-17)}. ## Análise comparativa e experiência do usuário O desempenho da Perplexity varia dependendo do tipo de tarefa. - Em tarefas que exigem alta precisão factual com base em dados recentes (por exemplo, análise radiológica), a Perplexity demonstra a **maior precisão (0,83)**, superando o Claude, o Bing e o ChatGPT^{[\[18\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-thieme-radiology-18)}. - Em tarefas relacionadas a conhecimentos raros ou altamente especializados (por exemplo, doenças raras), a Perplexity pode ser inferior a modelos com uma base de conhecimento mais ampla, como o ChatGPT e o Gemini^{[\[19\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-mdpi-rare-disease-19)}. Um estudo de usabilidade (SUS) mostrou que, embora ambas as plataformas, Google e Perplexity, sejam aceitáveis, o Google recebeu uma pontuação mais alta (82,29) em comparação com a Perplexity (73,98). Isso se deve à interface familiar do Google e a uma curva de aprendizado mais íngreme na Perplexity, que oferece recursos inovadores, mas menos familiares^{[\[20\]](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_note-ieee-usability-20)}. ## Ligações externas - Site oficial da Perplexity AI - Blog oficial da Perplexity ## Literatura - Chen, C.; et al. (2023). *Accelerating Large Language Model Decoding with Speculative Sampling*. arXiv:2302.01318. - Zhang, J.; et al. (2023). *Draft & Verify: Lossless Large Language Model Acceleration via Self‑Speculative Decoding*. arXiv:2309.08168. - Chen, H.; et al. (2024). *Retrieval‑Augmented Generation for Large Language Models: A Survey*. arXiv:2312.10997. - Soudani, H.; et al. (2024). *Fine‑Tuning vs. Retrieval‑Augmented Generation for Less‑Popular Knowledge*. arXiv:2403.01432. - Chen, Y.; et al. (2024). *Evaluation of Retrieval‑Augmented Generation: A Survey*. arXiv:2405.07437. - Hsieh, C.‑P.; et al. (2024). *RULER: What's the Real Context Size of Your Long‑Context Language Models?*. arXiv:2404.06654. - Arena Team (2025). *Search Arena: Analyzing Search‑Augmented Large Language Models*. arXiv:2506.05334. - Zhu, W.; et al. (2025). *PSC: Extending Context Windows via Phase Shift Calibration*. arXiv:2505.12423. - Yu, L.; et al. (2025). *Synergizing RAG and Reasoning: A Systematic Review*. arXiv:2504.15909. - Chen, X.; et al. (2025). *Universal Embeddings for Multimodal Multilingual Retrieval*. arXiv:2506.18902. ## Notas 1. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-wikipedia-ru-pplx_1-0) «Perplexity.ai». Na *Wikipedia, a enciclopédia livre*. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-rbc-trends_2-0)} ^{[2.1](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-rbc-trends_2-1)} «Perplexity AI — o assassino do Google ou um fenômeno temporário». *RBC Trends*. [2] 3. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-rag-intro_3-0) «An Introduction to RAG Models». *Perplexity AI*. [3] 4. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-wiki-eng-shrinivas_4-0) «Aravind Srinivas». In *Wikipedia*. [4] 5. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-forbes-ru-story_5-0) Belousova, Anastasia. «Como um bielorrusso e seus parceiros construíram uma das startups mais caras do mundo, a Perplexity». *Forbes.ru*. [5] 6. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-vashgolos-14b_6-0) «Startup Perplexity AI avaliada em US\$ 14 bilhões». *Vash Golos*. [6] 7. ↑ ^{[7.0](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-3dnews-growth_7-0)} ^{[7.1](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-3dnews-growth_7-1)} «O mecanismo de busca Perplexity baseado em IA mostrou um crescimento explosivo e está pronto para competir com o Google». *3DNews*. [7] 8. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-timeweb-rag_8-0) «Perplexity: que tipo de rede neural é, como funciona e para que serve». *TimeWeb.Cloud*. [8] 9. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-kedprof-claude_9-0) «Perplexity e Claude AI: o motor para respostas precisas». *Kedr.pro*. [9] 10. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-pro-models_10-0) «What advanced AI models are included in a Perplexity Pro subscription?». *Perplexity Help Center*. [10] 11. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-marktechpost-pplx_11-0) «Perplexity Unveils Two New Online LLM Models: pplx-7b-online and pplx-70b-online». *MarkTechPost*. [11] 12. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-blog-online-llms_12-0) «Introducing PPLX Online LLMs». *Perplexity Blog*. [12] 13. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-blog-new-sonar_13-0) «Meet a new era of Perplexity Sonar». *Perplexity Blog*. [13] 14. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-cerebras-partnership_14-0) «Cerebras Powers Perplexity Sonar with Industry's Fastest AI Inference». *Cerebras Press Release*. [14] 15. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-blog-speculation_15-0) «Accelerating Sonar through Speculation». *Perplexity Blog*. [15] 16. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-blog-search-arena_16-0) «Perplexity Sonar Dominates New Search Arena». *Perplexity Blog*. [16] 17. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-pplx-blog-sonar-pro-api_17-0) «Introducing the Sonar Pro API». *Perplexity Blog*. [17] 18. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-thieme-radiology_18-0) «Comparative Analysis of Large Language Models for Question Answering in Radiology». *Thieme Connect*. [18] 19. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-mdpi-rare-disease_19-0) «A Comparative Study of AI Chatbots in Answering Questions on Rare Diseases». *MDPI*. [19] 20. [↑](https://systems-analysis.info/int/Perplexity_AI_(PT)#cite_ref-ieee-usability_20-0) «Usability and User Satisfaction of Google Search and Perplexity AI». *IEEE Xplore*. [20]