> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Perplexity Sonar Reasoning
- URL: https://www.hubwiz.com/blog/perplexity-sonar-reasoning-real-time-web-access/
- Published: 2025-04-05T00:05:39.000Z
- Updated: 2025-04-05T00:05:39.000Z
- Description: 我在浏览OpenRouter时看到了一个我之前从未见过的模型：Perplexity Sonar Reasoning，这是一个令人震惊的预置实时网络搜索能力的大模型。
- Author: admin
- Tags: MODEL-ZOO, PERPLEXITY SONAR REASONING, #Import 2026-10-14 14:41

大型语言模型的一个致命弱点，就是它们没有实时访问信息的能力。为了让LLMs访问网络，你必须集成非常昂贵的第三方提供商，进行大量的API调用，并且忘记你的模型会在几秒钟内响应的想法。

或者至少我是这么认为的。

我在浏览OpenRouter时看到了一个我之前从未见过的模型：[**Perplexity Sonar Reasoning**](https://openrouter.ai/perplexity?ref=hubwiz.com)。虽然我知道Perplexity是LLM驱动的Google搜索替代品，但我不知道它有LLM API。

所以我想试试它，看看它是否可以取代我在AI平台中启用实时网络搜索所需的一些逻辑。

结果让我震惊了。为什么没有人谈论这个？？

## 1、我当前基于实时查询的方法

为了在Perplexity与其他LLMs之间进行公平比较，你必须将其与设计用于获取实时信息的基础设施进行比较。

在我的平台NexusTrade中，其中一个功能就是能够询问有关实时股市事件的问题。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-63.png)

询问Aurora“下周市场应该知道什么”

要获取这些信息，我构建了一个基础设施，该基础设施使用股票新闻API和多个LLM调用来获取实时信息。

具体来说：

- LLM生成一个指向StockNewsAPI的URL
- 使用URL（以及我的API令牌）执行GET请求以检索用户问题的相关实时新闻
- 获取结果并格式化主要事件为表格
- 此外，我将相同的结果格式化为项目符号列表和摘要段落
- 将结果组合成一个响应并发送回用户

![](https://www.hubwiz.com/blog/content/images/2025/04/image-64.png)

基于查询方法获取实时新闻信息

这种方法非常准确，几乎保证了对实时新闻来源的访问。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-65.png)

由模型生成的项目符号和摘要

但它是复杂的，并且需要访问API，这会花费我一些美分。所以我的问题是……Perplexity能做得更好吗？

## 2、向Perplexity提出相同的问题

为了看看Perplexity Sonar Pro是否和我的方法一样好，我问了它同样的问题：

> 下周市场应该知道什么？

模型的响应很好。**非常好。**

![](https://www.hubwiz.com/blog/content/images/2025/04/image-66.png)

来自Perplexity Sonar推理模型的响应

首先，模型“思考”了我的问题。与其他思维模型不同，该模型似乎在每个思维链中都访问了网络。

然后，模型制定了最终的响应。

![](http://127.0.0.1:8000/images/1c1FwtZM3_eDoq3Mtmrn2Dg.png)

来自Perplexity模型的最终响应

诚然，这个响应比我上面提到的复杂方法更好。它实际上**直接回答了我的问题**，并指出了我的方法遗漏的内容，例如投资者应留意的事件，如ISM制造业和ADM就业。

一个通用模型击败了一个专门为此任务构建的模型？我很震惊。

## 3、Perplexity模型的缺点

尽管Perplexity模型的响应明显优于我的原始基于查询的方法，但Perplexity模型确实有一些缺点。

### 3.1 成本

每百万输入令牌1美元，每百万输出令牌5美元的成本使得Perplexity模型相当昂贵，尤其是与DeepSeek R1和Gemini Flash 2.0等性能相当的模型相比（但没有实时网络访问）。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-67.png)

比较Gemini Flash 2.0和Perplexity Sonar Reasoning。Flash 2.0便宜10倍

### 3.2 缺乏来源

除非我非常迟钝，否则似乎不可能通过API访问Perplexity使用的来源。无论我是通过OpenRouter使用还是直接使用API，似乎也是如此。对于需要准确性的金融信息而言，这是不可接受的。

### 3.3 缺乏控制

最后，虽然Perplexity方法在处理通用问题时表现出色，但如果用户提出非常具体的问题，则效果不佳。

例如，我问它：

> NVDA和Intel的市场情况如何？只包括同时涉及这两家公司的来源，并且仅限最近一周的结果。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-68.png)

Sonar Reasoning的部分响应

由于它只是从相关性顺序上搜索网络（而不是调用API），因此无法准确回答问题。模型找到的搜索结果并非来自3月1日至3月8日，因此不符合我的要求。

相比之下，基于查询的方法工作得非常好。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-69.png)

基于查询方法的响应

正如我们所见，两种方法各有优缺点。

那么如果我们将它们结合起来呢？

## 4、两者的结合

我不能仅仅忽视Perplexity响应的惊人之处。如果有人可以使用一个成本只有几分钱的API击败我的专门构建的应用程序，那么我的应用程序还有什么意义？

所以我将它们结合在一起。

我决定将网络搜索与金融新闻API结合起来。最终结果是一种极其全面的分析，包括来源、项目符号和结果表。

为了让它更易于消化，我还添加了一个**TL;DR**，即给模型的一切提供一个一句话总结。

![](https://www.hubwiz.com/blog/content/images/2025/04/image-70.png)

集成Perplexity API后的响应

这样，投资者就可以获得两者最好的东西。在大多数情况下，额外的延迟（用户通常不会注意到）并不重要，他们拥有来自新闻API的实时信息和来自Perplexity的出色总结。这是一个双赢！

## 5、结论性思考

随着所有AI巨头相互竞争，Perplexity的宣布可能被掩盖了。

但这是一款改变游戏规则的模型。

这是一个由大型语言模型引发的令人惊叹的创新例子。能够以几乎无需设置的方式实时访问网络，在某些用例中是一个改变游戏规则的功能。虽然我当然不会在我的应用程序中的每个LLM用例中都使用它，但股票新闻查询器正是它完美契合的例子。它为我的应用程序提供了我所需的实时信息。

总体而言，我对这些模型在未来的发展感到兴奋。微软是否会发布一款完全取代使用金融API查询实时股票信息需求的人工智能模型？

只有时间能告诉我们答案。

---

原文链接：[I just discovered Perplexity Sonar Reasoning, an LLM with real-time web access. Why is nobody talking about this??](https://medium.com/@austin-starks/i-just-discovered-perplexity-sonar-reasoning-an-llm-with-real-time-web-access-6a6ad29443da?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处