AI-агент Portable Computer: локальный запуск без затрат на токены
Perplexity совместно с Nvidia запустила Portable Computer — версию своей агентной платформы Computer, которая работает полностью на локальном оборудовании пользователя: на десктопном суперкомпьютере Nvidia DGX Spark и Linux-машинах с видеокартами Nvidia RTX. Все данные, модели и вычисления остаются на устройстве, а выполненные локально задачи не списывают никаких биллинговых кредитов.
Это принципиально меняет экономику AI-агентов для бизнеса. Прежде агентные задачи — многоступенчатая обработка документов, финансовый анализ, автоматизация рутины — были привязаны к облаку и тарифицировались по числу токенов. Чем дольше агент работает и чем больше данных обрабатывает, тем выше счёт. Portable Computer предлагает иную модель: купил оборудование — и маргинальная стоимость каждого последующего токена стремится к нулю.
Как устроена платформа и что она умеет
Portable Computer воспроизводит полный стек агентной работы локально: языковая модель, механизм вывода (inference), набор инструментов, коннекторы к внешним сервисам и изолированная программная среда (sandbox) упакованы в единое приложение. Исторически пользователи собирали такой стек вручную — загружали веса моделей, настраивали inference-сервер, подключали инструменты по отдельности. По словам вице-президента Perplexity по инфраструктуре Нейта, ключевая задача при разработке Portable Computer состояла именно в том, чтобы устранить эту сложность и обеспечить быстрый старт без технической экспертизы.
На момент запуска поддерживаются модели Qwen 3.8 27B и PPLX 27B — версия Qwen, дополнительно обученная на собственном агентном харнессе Perplexity. В ближайшее время ожидается поддержка Nemotron 3.5 Lightning от Nvidia. Минимальное требование к видеопамяти — 24 ГБ VRAM, что соответствует уровню GeForce RTX 3090 и новее. Платформа доступна подписчикам уровней Pro, Max, Enterprise Pro и Enterprise Max; поддержка Windows ожидается в сентябре.
Система поддерживает гибридный режим: если локальная модель не справляется с задачей, агент может эскалировать отдельный шаг в облачную frontier-модель — но только с явного разрешения пользователя. Перед каждым таким обращением харнесс запускает классификатор персональных данных и показывает, что именно покинет устройство. Облачная модель возвращает только текстовые рекомендации и не получает доступа к локальным файлам или инструментам.
Коннекторы охватывают Google Drive, Gmail, GitHub и Slack. На одной из демонстраций агент анализировал CSV с данными воронки продаж локально, после чего отправлял готовый анализ в Slack-канал — то есть локальное выполнение не означает изоляции от корпоративных систем.
Что это меняет в экономике и безопасности AI-агентов
Директор по технологиям разработчиков Nvidia Надер сформулировал суть проблемы агентных нагрузок прямо: агенты, в отличие от чат-запросов, потребляют токены непрерывно — они должны быть всегда активны, итерировать, проверять собственную работу. В облаке это означает постоянно растущий счёт. На локальном оборудовании стоимость дополнительных токенов после покупки «железа» равна нулю.
Perplexity в своей исследовательской работе, опубликованной одновременно с запуском, явно адресует корпоративный сценарий: по мере масштабирования агентов на организацию в целом управлять расходами на токены и перемещением данных становится всё сложнее. Локальное выполнение решает обе проблемы одновременно — стоимость вывода и конфиденциальность данных.
Чувствительность данных — отдельный аргумент. В демонстрации с анализом налоговых документов (формы 1099 и инвестиционные материалы) агент работал исключительно на устройстве, не отправляя финансовые данные в облако. Именно в таких сценариях — право, медицина, финансы — барьер для использования облачных AI-агентов наиболее высок.
Perplexity также публикует результаты собственного бенчмарка Local Knowledge Work Bench, включающего 53 задачи в области глубокого исследования, финансового анализа и создания документов. На нём платформа с моделью Qwen 3.8 27B на DGX Spark набрала 82,6%, а с PPLX 27B — 85,4%. Компания оговаривает, что это внутренняя оценка, и планирует открыть бенчмарк для публичного использования. Компактные модели по-прежнему уступают frontier-моделям на сложных задачах рассуждения, однако гибридная эскалация частично закрывает этот разрыв.
Показательны данные по Terminal Bench 2.1: локальная модель Qwen набрала 59,6% при фактически нулевой маргинальной стоимости; добавление облачного советника (Claude Opus 5) подняло результат до 73,0% при расчётной стоимости около $0,415 за задачу; работа только с frontier-моделью дала 82,4% при $0,65 за задачу. Бизнес получает возможность гибко управлять компромиссом между качеством и стоимостью — и принимать это решение на уровне каждой конкретной задачи.
Технически платформа решает и проблему работы с малыми моделями в агентном контексте. Хотя Qwen 3.8 27B декларирует контекстное окно в 260 000 токенов, Perplexity эмпирически выяснила, что на практике модель начинает деградировать уже после 100 000 токенов. Поэтому харнесс намеренно минимизирован: короткий системный промпт, небольшой базовый набор инструментов, а дополнительные возможности подгружаются как «навыки» по требованию вместо постоянного присутствия в контексте. Коннекторы к Gmail и GitHub переписаны из MCP-серверов в компактные инструменты командной строки, потребляющие меньше токенов.
- Нулевая маргинальная стоимость токенов на собственном оборудовании
- Конфиденциальность: чувствительные данные не покидают устройство
- Гибридная эскалация в облако только с разрешения пользователя
- Единый пакет вместо самостоятельной сборки локального AI-стека
- Коннекторы к корпоративным сервисам: Google Drive, Gmail, GitHub, Slack
Ограничения платформы нужно учитывать при оценке применимости. Минимальный порог в 24 ГБ VRAM исключает подавляющее большинство потребительских ПК. На старте поддерживается только Linux; Windows — в сентябре. Оборудование Apple Silicon в текущем роадмапе отсутствует: по словам Нейта, компания сфокусирована на Nvidia. Benchmark-результаты получены в рамках внутренней оценки Perplexity, что требует осторожности при интерпретации.
Практический вывод: если ваша компания использует или планирует использовать AI-агентов для обработки конфиденциальных данных — финансовых, юридических, медицинских — или сталкивается с ростом расходов на облачный AI при масштабировании агентных сценариев, Portable Computer стоит рассмотреть как инфраструктурную альтернативу. Оцените объём токенов, которые ваши агенты потребляют ежемесячно, сравните эту сумму со стоимостью совместимого Nvidia-оборудования и определите, при каком горизонте окупаемости локальный запуск становится выгоднее облачного биллинга.