Perplexity Hybrid Compute cloud और Mac के बीच AI काम कैसे बांटता है

Perplexity ने अपने Mac ऐप में Hybrid Compute नाम का फीचर जोड़ा है, जो एक ही AI task को cloud और Mac—दोनों जगहों पर चलने वाले models के बीच बांटता है। Cloud models वेब रिसर्च, planning और कठिन reasoning संभालते हैं, जबकि Apple-silicon Mac पर चलने वाला छोटा local model निजी फाइलों, संवेदनशील जानकारी और device पर किए जाने वाले actions को संभालता है। इसके बाद Computer agent दोनों हिस्सों के नतीजों को मिलाकर एक workflow पूरा करता है। 1

इसका मतलब यह नहीं है कि पूरा task Mac पर ही चलेगा। Perplexity cloud की बड़ी computing क्षमता को बरकरार रखता है और केवल उन steps को local processing में भेजता है जिनमें निजी या संवेदनशील डेटा शामिल हो सकता है। 16

Hybrid Compute कैसे काम करता है?

हर task की शुरुआत cloud में होती है, जहां Computer agent search, orchestration और reasoning करता है। अगर किसी चरण में Mac की निजी फाइल या संवेदनशील जानकारी की जरूरत पड़ती है, तो वह हिस्सा local model को सौंपा जा सकता है। Perplexity के अनुसार, local processing का नतीजा workflow में वापस आ जाता है, जबकि संवेदनशील सामग्री उसके servers तक नहीं भेजी जाती। 1 16

यही इसे पूरी तरह local chatbot से अलग बनाता है। उपयोगकर्ता को cloud-connected research की सुविधा मिलती है, लेकिन confidential context पर काम Mac के भीतर किया जा सकता है।

Privacy Gate: Mac पर मौजूद डेटा-जांच बिंदु

Hybrid Compute का अहम हिस्सा Privacy Gate है। यह Mac पर चलने वाला PII classifier है, जो डेटा cloud में भेजे जाने से पहले task की जानकारी की जांच करता है। Perplexity के अनुसार, इसकी जांच prompts, tool outputs, memory, logs, files और task से जुड़े अन्य content तक हो सकती है। 1 5

यह system संभावित रूप से इन जानकारियों को पहचानने के लिए बनाया गया है:

• नाम और पते;
• account numbers और credentials;
• payment-card details;
• सरकारी पहचान संबंधी जानकारी;
• अन्य personal data और sensitive secrets। 1 3

अगर Privacy Gate को कोई संवेदनशील जानकारी मिलती है, तो उपयोगकर्ता flagged items की समीक्षा कर सकता है और तय कर सकता है कि आगे क्या करना है। उपलब्ध विकल्पों में शामिल हैं:

• जानकारी को Mac पर ही रखकर local processing करना;
• उसे cloud पर upload करने की अनुमति देना;
• cloud processing से पहले sensitive values को mask करना;
• action को रोक देना;
• cloud escalation से पहले explicit approval मांगना। 1 3

Masking में संवेदनशील values की जगह stand-ins या placeholders इस्तेमाल किए जाते हैं। Perplexity के विवरण के अनुसार, cloud model task की संरचना पर काम कर सकता है और लौटाए गए उत्तर में मूल values फिर बहाल की जा सकती हैं। 1

हालांकि, Privacy Gate को पूर्ण सुरक्षा-गारंटी नहीं समझना चाहिए। कोई classifier हर confidential तथ्य को हर संदर्भ में पहचान ले, यह जरूरी नहीं है। वास्तविक privacy outcome classifier की सटीकता, संगठन की routing policies और user approval settings पर निर्भर करता है।

कौन-से local models उपलब्ध हैं?

शुरुआती विकल्पों में ये models शामिल हैं:

• Gemma 4 E4B;
• Qwen3.6 35B-A3B;
• Computer के लिए post-trained Perplexity model। 1 4

इन local models का उद्देश्य हर काम में cloud के सबसे शक्तिशाली models को बदलना नहीं है। इनका काम private context को process करना और Mac पर local actions करना है। दूसरी ओर, cloud models बड़े पैमाने की web research, planning और frontier-level reasoning संभालते हैं।

इसे install और enable कैसे करें?

Perplexity ने setup को अपेक्षाकृत सरल रखा है। Mac ऐप में उपयोगकर्ता एक click से local model download कर सकता है। इसके बाद model picker में Hybrid चुनकर local और cloud model का चयन किया जाता है। कंपनी की दी गई जानकारी के अनुसार, Ollama install करने, runtime को manually configure करने या API key डालने की जरूरत नहीं है। 1

Local tokens cloud credits खर्च नहीं करते

Local model द्वारा की गई inference user के cloud credits का इस्तेमाल नहीं करती। उसी task का cloud वाला हिस्सा cloud inference के तहत आता है और लागू cloud allocation के अनुसार credits इस्तेमाल कर सकता है। 1 2

इससे Hybrid Compute privacy के साथ cost control के लिए भी उपयोगी हो सकता है। संवेदनशील processing Mac पर रह सकती है और local token generation cloud-model allowance को कम नहीं करती। इसका trade-off यह है कि local speed और output quality Mac की unified memory, चुने गए model और task की जटिलता पर निर्भर करेगी।

iPhone से task शुरू, Mac पर local processing

Hybrid Compute Apple devices के बीच भी काम कर सकता है। उपयोगकर्ता iPhone से Computer task शुरू कर सकता है। Task cloud में आरंभ होता है, फिर Mac local files तक पहुंचकर संवेदनशील steps को वहीं पूरा करता है। पूरा result अलग-अलग devices पर देखा जा सकता है। 1 5

Remote local inference के लिए Perplexity एक dedicated, हमेशा चालू रहने वाले Mac mini का सुझाव देता है। इससे files को manually एक device से दूसरे device पर भेजने की जरूरत कम हो सकती है, लेकिन local step के समय Mac का उपलब्ध और चालू रहना जरूरी होगा। 1

Perplexity ने क्या open-source किया है?

Perplexity का कहना है कि उसने Privacy Gate में इस्तेमाल होने वाले on-device PII classifier को open-source किया है। कंपनी के अनुसार, यह classifier उसके Secure Intelligence Institute के सहयोग से विकसित किया गया। 1 6

इस classifier को inspection के लिए उपलब्ध कराने से security और enterprise teams को यह समझने में मदद मिल सकती है कि local routing किस आधार पर trigger होती है। लेकिन open-source होना अपने-आप में यह साबित नहीं करता कि system हर परिस्थिति में हर प्रकार की गोपनीय जानकारी पहचान लेगा।

Professionals के लिए संभावित workflows

वकीलों के लिए

Perplexity के उदाहरण में cloud model case law पर research करता है। वहीं local model privileged case files का सारांश बना सकता है, facts निकाल सकता है, anonymized research questions तैयार कर सकता है और Mac पर मौजूद draft brief को update कर सकता है। उद्देश्य यह है कि client data और case files local रहें, जबकि public legal research cloud models से हो। 1

Private equity और investment teams के लिए

Investment team के task में cloud model public filings, comparable transactions और market information जुटा सकता है। Local model confidential deal materials पढ़कर terms और assumptions निकाल सकता है, उन्हें public research से compare कर सकता है और investment-committee deck या LBO analysis update कर सकता है। 1

इन उदाहरणों में काम का बंटवारा साफ दिखता है: सार्वजनिक जानकारी और व्यापक research cloud में, जबकि confidential source material local processing boundary के भीतर।

Privacy, cost और performance के बीच trade-offs

Privacy: संवेदनशील फाइलें device पर रखी जा सकती हैं, लेकिन सुरक्षा classifier की पहचान क्षमता और user की approval settings पर निर्भर रहती है। 1 3

Cost: Local inference cloud credits का इस्तेमाल नहीं करती, जबकि cloud-based reasoning और research cloud resources खर्च करते हैं। 1 2

Speed: Cloud models बड़े पैमाने की inference और तेज research उपलब्ध कराते हैं। Local execution protected files को upload होने से बचाता है, लेकिन उसकी performance Mac की memory और model choice पर निर्भर होती है। 1

Capability: कठिन reasoning, web research और planning के लिए frontier cloud models अब भी बेहतर विकल्प हैं। Local models कुछ capability छोड़कर on-device processing और data control का लाभ देते हैं। 1

कौन इस्तेमाल कर सकता है और क्या requirements हैं?

Hybrid Compute के लिए Apple-silicon Mac, macOS 15 या बाद का संस्करण और कम-से-कम 24 GB unified memory जरूरी है। Perplexity बेहतर परिणामों के लिए 32 GB memory की सिफारिश करता है। 1 3

दी गई product information के अनुसार, Perplexity Pro, Max और Enterprise subscribers इसके लिए eligible हैं। Enterprise customers के लिए opt-in रास्ते की भी रिपोर्ट की गई है। 1 11

Enterprise administrators संगठन-स्तर पर यह तय कर सकते हैं कि कौन-सा डेटा अनिवार्य रूप से local रहे, कौन-सी जानकारी cloud processing से पहले mask की जा सकती है और किन actions के लिए user approval जरूरी होगा। वे यह audit भी कर सकते हैं कि कब कोई जानकारी device से बाहर गई। 1

Windows या Linux पर कब आएगा?

उपलब्ध product materials Hybrid Compute को Mac और Apple-silicon feature के रूप में बताते हैं। Windows या Linux version की release date इनमें नहीं दी गई है। इसलिए इन platforms के लिए फिलहाल कोई पुष्ट timeline उपलब्ध नहीं है।

कुल मिलाकर, Hybrid Compute cloud AI की क्षमता और local processing के data control के बीच समझौता पेश करता है। Perplexity का मॉडल यह चुनने की कोशिश करता है कि workflow का कौन-सा हिस्सा Mac पर रहे और कौन-सा cloud में जाए—और इस निर्णय के बीच Privacy Gate को केंद्रीय भूमिका देता है।