Perplexity Portable Computer 係 Perplexity 同 NVIDIA 於 2026 年 8 月 25 日推出嘅 local-first AI agent。簡單講，佢唔係淨係將一個聊天模型搬落部電腦，而係連同 agent 嘅運行環境一齊放喺用戶自己嘅硬件上，包括模型、規劃器、工具、連接器、推理引擎同安全沙盒。35

設計上，Portable Computer 會先喺本地處理日常工作；如果某一步需要更強嘅雲端模型，就先徵求用戶批准，再將嗰個子工作送上雲端。咁樣就嘗試喺「資料留喺自己部機」同「需要時借用雲端算力」之間搵一個平衡點。36

唔只係本地 chatbot：成套 agent runtime 都喺機上行

一般所講嘅「本地 AI」，好多時只係指模型喺本機推理。但 Portable Computer 嘅賣點係範圍更闊：佢會將以下元件包埋一齊：

• orchestrator 或 planner，負責拆解目標同安排步驟
• subagent models
• agent harness
• inference engine
• 工具同 app connectors
• 安全 sandbox 35

所以，留喺本地嘅唔單止係一個模型，而係整個多步驟工作流程。呢個方向延續 Perplexity Computer 嘅概念：AI 可以跨越檔案、應用程式、已連接服務同網頁，逐步完成較複雜嘅工作。325

私密文件可以點樣喺本地處理？

Portable Computer 嘅預設路徑係本地執行。Perplexity 表示，每個工作都會先喺用戶部機開始；如果本地模型可以完成，底層檔案同處理過程就唔需要自動送去雲端。本地完成嘅工作亦唔會計入 Perplexity 嘅 token 限額或 billing credits。13

可處理嘅例子包括：

• 檢視放住稅務表格或券商紀錄嘅私人資料夾
• 分析 CSV 同其他文件
• 抽取資料、整理分析及製作報告
• 建立文件同其他輸出內容
• 使用 Slack、Google Drive、Gmail 同 GitHub 等已連接服務 138

對於處理財務文件、公司資料或者其他唔想周街傳嘅內容嘅人，本地優先嘅設定可以減少敏感資料離開自己電腦嘅機會。不過要留意，local-first 唔等於任何情況都 local-only：當某個子工作超出本地模型能力，系統仍然可以要求使用雲端協助。

安全沙盒：無保護就唔畀工具執行

Perplexity 嘅發布資料指，Portable Computer 為 agent harness 使用作業系統層級嘅安全 sandbox。如果所需 sandbox 唔可用，harness 會停用工具執行，而唔係照樣喺冇保護嘅狀態下運行。35

呢個安排對 agent 特別重要，因為 agent 唔只係答問題，仲可能讀取檔案、呼叫工具或者同外部服務互動。當然，安全沙盒唔代表所有風險都消失；佢主要反映 Perplexity 將本地 agent 嘅執行環境同保護機制一併打包嘅做法。

雲端升級點運作？

Portable Computer 採用嘅係「本地優先、雲端按需要介入」模式：

1. 工作首先喺本地開始。
2. 本地模型遇到需要更高推理能力嘅子工作時，系統先向用戶提出要求。
3. 只有用戶批准，嗰一個步驟先會送去 frontier cloud model。
4. 雲端回應再返到本地工作流程繼續處理。36

呢種 user-gated escalation 俾用戶自己揀：要麼保留資料喺本地，要麼喺特定步驟換取雲端模型嘅推理能力。現有資料支持「升級前先徵求批准」呢個模式，但未能獨立確認原本問題所講嘅每一項更具體細節，例如 PII flagging，或者特定嘅純文字批准流程。因此，呢啲細節目前應視為未經證實，而唔應當成已確認功能。

推出時支援邊啲模型？

Portable Computer 首發提供兩個本地模型選項：

• Qwen 3.8 27B
• PPLX 27B：Perplexity 為配合 agent harness 而對 Qwen 作進一步訓練嘅版本 38

Perplexity 表示，之後計劃加入 NVIDIA Nemotron 3.5 Lightning 支援。38

模型選擇比較集中，正正係本地運行嘅取捨之一。用戶得到嘅係一套預先整合好嘅 agent 產品，而唔係雲端平台上各式各樣 frontier models 嘅完整選擇；換嚟嘅就係更多日常工作可以留喺自己控制嘅硬件上。

Perplexity 公布嘅效能成績

Perplexity 以內部 53-task Local Knowledge Work Bench 公布以下結果：

• Qwen 3.8 27B with Computer：82.6%
• PPLX 27B：85.4%
• Pi 使用同一模型：77.6%
• Hermes 使用同一模型：74.0% 3

喺 BrowseComp 測試入面，Perplexity 報稱 Portable Computer 達到 66.7%，Pi 為 50.2%，Hermes 為 43.9%。同一比較亦聲稱，相比 Pi，Portable Computer wall-clock time 少 51%、token 少 70%。至於多模態文件理解，Perplexity 報告 65.1%，Pi 及 Hermes 分別係 34.6% 同 13.9%。3

不過，以上係 Perplexity 自己進行並公布嘅測試結果，唔係獨立 benchmark。佢哋可以幫大家了解 Perplexity 嘅性能主張，但唔應該直接解讀成 Portable Computer 喺所有工作都一定勝過其他本地 agent 系統。

硬件同作業系統要求

首發支援：

• NVIDIA DGX Spark
• 配備 NVIDIA RTX GPU、最少 24GB VRAM 嘅 Linux 電腦，大概係 RTX 3090 或更新級別 3515

Windows 支援預計喺 2026 年 9 月推出。23

呢個硬件門檻係目前最明顯嘅限制。多步驟 agent 工作比普通雲端 chatbot 需要更多計算能力同記憶體，所以 Portable Computer 暫時主要面向擁有高階 NVIDIA 硬件嘅用戶，未係一般手提電腦開箱即用嘅產品。

邊啲 Perplexity 方案包括 Portable Computer？

以下訂閱方案可免額外產品費用使用 Portable Computer：

• Pro
• Max
• Enterprise Pro
• Enterprise Max 3

「免額外費用」只代表訂閱方案包括產品使用權，唔代表用戶唔需要自行準備兼容硬件。

佢同 Computer、Personal Computer 有咩關係？

Perplexity 於 2026 年 2 月推出 Computer，定位係雲端 AI agent，可以協調多個模型、瀏覽網頁、使用工具，並執行較長時間嘅工作流程。2528

之後嘅 Personal Computer 將呢套 agent 平台帶近用戶部機，支援處理本地檔案、Microsoft 365 同網頁；2026 年 7 月，Windows 版本正式推出，讓 Windows 用戶可以喺同一處理流程入面使用本地檔案、Microsoft 365 同網絡。18

Portable Computer 就再行前一步：唔係淨係畀雲端 agent 讀本地檔案，而係將核心 agent runtime 本身搬到支援嘅 NVIDIA 硬件上。簡單睇，產品路線係：

1. Computer：建立雲端多步驟 agent。
2. Personal Computer：令 agent 可以接觸用戶本地檔案同桌面應用程式。
3. Portable Computer：將模型、orchestrator、harness、工具同相關 runtime 放到本地硬件，必要時再選擇性使用雲端。31827

最大取捨：私隱同控制，對上方便同雲端能力

Portable Computer 最有特色嘅地方，唔係單純「用 GPU 跑一個模型」，而係將模型、orchestrator、agent harness、推理引擎、工具、連接器同 sandbox 整合成一套產品。對唔想逐件組裝本地 AI stack 嘅用戶嚟講，呢種一體化可以減少設定負擔。35

代價亦好清楚：需要高階 NVIDIA 硬件，首發作業系統支援有限，而且本地模型嘅推理範圍未必追得上最新雲端系統。雲端批准流程就係中間方案——敏感同日常工作盡量留喺本地，遇到真正需要更強能力嘅步驟，先由用戶決定要唔要借用雲端。

如果你平時會處理私人文件、商業資料或者其他唔想預設上傳嘅內容，本地優先可能比無限制使用最大型雲端模型更加重要。但對一般用戶嚟講，硬件要求同首發支援範圍，可能令傳統雲端 agent 暫時更加方便，至少要等平台擴大支援之後先再作比較。

Perplexity Portable Computer 係 Perplexity 同 NVIDIA 於 2026 年 8 月 25 日推出嘅 local-first AI agent。簡單講，佢唔係淨係將一個聊天模型搬落部電腦，而係連同 agent 嘅運行環境一齊放喺用戶自己嘅硬件上，包括模型、規劃器、工具、連接器、推理引擎同安全沙盒。35

設計上，Portable Computer 會先喺本地處理日常工作；如果某一步需要更強嘅雲端模型，就先徵求用戶批准，再將嗰個子工作送上雲端。咁樣就嘗試喺「資料留喺自己部機」同「需要時借用雲端算力」之間搵一個平衡點。36

唔只係本地 chatbot：成套 agent runtime 都喺機上行

一般所講嘅「本地 AI」，好多時只係指模型喺本機推理。但 Portable Computer 嘅賣點係範圍更闊：佢會將以下元件包埋一齊：

• orchestrator 或 planner，負責拆解目標同安排步驟
• subagent models
• agent harness
• inference engine
• 工具同 app connectors
• 安全 sandbox 35

所以，留喺本地嘅唔單止係一個模型，而係整個多步驟工作流程。呢個方向延續 Perplexity Computer 嘅概念：AI 可以跨越檔案、應用程式、已連接服務同網頁，逐步完成較複雜嘅工作。325

私密文件可以點樣喺本地處理？

Portable Computer 嘅預設路徑係本地執行。Perplexity 表示，每個工作都會先喺用戶部機開始；如果本地模型可以完成，底層檔案同處理過程就唔需要自動送去雲端。本地完成嘅工作亦唔會計入 Perplexity 嘅 token 限額或 billing credits。13

可處理嘅例子包括：

• 檢視放住稅務表格或券商紀錄嘅私人資料夾
• 分析 CSV 同其他文件
• 抽取資料、整理分析及製作報告
• 建立文件同其他輸出內容
• 使用 Slack、Google Drive、Gmail 同 GitHub 等已連接服務 138

對於處理財務文件、公司資料或者其他唔想周街傳嘅內容嘅人，本地優先嘅設定可以減少敏感資料離開自己電腦嘅機會。不過要留意，local-first 唔等於任何情況都 local-only：當某個子工作超出本地模型能力，系統仍然可以要求使用雲端協助。

安全沙盒：無保護就唔畀工具執行

Perplexity 嘅發布資料指，Portable Computer 為 agent harness 使用作業系統層級嘅安全 sandbox。如果所需 sandbox 唔可用，harness 會停用工具執行，而唔係照樣喺冇保護嘅狀態下運行。35

呢個安排對 agent 特別重要，因為 agent 唔只係答問題，仲可能讀取檔案、呼叫工具或者同外部服務互動。當然，安全沙盒唔代表所有風險都消失；佢主要反映 Perplexity 將本地 agent 嘅執行環境同保護機制一併打包嘅做法。

雲端升級點運作？

Portable Computer 採用嘅係「本地優先、雲端按需要介入」模式：

1. 工作首先喺本地開始。
2. 本地模型遇到需要更高推理能力嘅子工作時，系統先向用戶提出要求。
3. 只有用戶批准，嗰一個步驟先會送去 frontier cloud model。
4. 雲端回應再返到本地工作流程繼續處理。36

呢種 user-gated escalation 俾用戶自己揀：要麼保留資料喺本地，要麼喺特定步驟換取雲端模型嘅推理能力。現有資料支持「升級前先徵求批准」呢個模式，但未能獨立確認原本問題所講嘅每一項更具體細節，例如 PII flagging，或者特定嘅純文字批准流程。因此，呢啲細節目前應視為未經證實，而唔應當成已確認功能。

推出時支援邊啲模型？

Portable Computer 首發提供兩個本地模型選項：

• Qwen 3.8 27B
• PPLX 27B：Perplexity 為配合 agent harness 而對 Qwen 作進一步訓練嘅版本 38

Perplexity 表示，之後計劃加入 NVIDIA Nemotron 3.5 Lightning 支援。38

模型選擇比較集中，正正係本地運行嘅取捨之一。用戶得到嘅係一套預先整合好嘅 agent 產品，而唔係雲端平台上各式各樣 frontier models 嘅完整選擇；換嚟嘅就係更多日常工作可以留喺自己控制嘅硬件上。

Perplexity 公布嘅效能成績

Perplexity 以內部 53-task Local Knowledge Work Bench 公布以下結果：

• Qwen 3.8 27B with Computer：82.6%
• PPLX 27B：85.4%
• Pi 使用同一模型：77.6%
• Hermes 使用同一模型：74.0% 3

喺 BrowseComp 測試入面，Perplexity 報稱 Portable Computer 達到 66.7%，Pi 為 50.2%，Hermes 為 43.9%。同一比較亦聲稱，相比 Pi，Portable Computer wall-clock time 少 51%、token 少 70%。至於多模態文件理解，Perplexity 報告 65.1%，Pi 及 Hermes 分別係 34.6% 同 13.9%。3

不過，以上係 Perplexity 自己進行並公布嘅測試結果，唔係獨立 benchmark。佢哋可以幫大家了解 Perplexity 嘅性能主張，但唔應該直接解讀成 Portable Computer 喺所有工作都一定勝過其他本地 agent 系統。

硬件同作業系統要求

首發支援：

• NVIDIA DGX Spark
• 配備 NVIDIA RTX GPU、最少 24GB VRAM 嘅 Linux 電腦，大概係 RTX 3090 或更新級別 3515

Windows 支援預計喺 2026 年 9 月推出。23

呢個硬件門檻係目前最明顯嘅限制。多步驟 agent 工作比普通雲端 chatbot 需要更多計算能力同記憶體，所以 Portable Computer 暫時主要面向擁有高階 NVIDIA 硬件嘅用戶，未係一般手提電腦開箱即用嘅產品。

邊啲 Perplexity 方案包括 Portable Computer？

以下訂閱方案可免額外產品費用使用 Portable Computer：

• Pro
• Max
• Enterprise Pro
• Enterprise Max 3

「免額外費用」只代表訂閱方案包括產品使用權，唔代表用戶唔需要自行準備兼容硬件。

佢同 Computer、Personal Computer 有咩關係？

Perplexity 於 2026 年 2 月推出 Computer，定位係雲端 AI agent，可以協調多個模型、瀏覽網頁、使用工具，並執行較長時間嘅工作流程。2528

之後嘅 Personal Computer 將呢套 agent 平台帶近用戶部機，支援處理本地檔案、Microsoft 365 同網頁；2026 年 7 月，Windows 版本正式推出，讓 Windows 用戶可以喺同一處理流程入面使用本地檔案、Microsoft 365 同網絡。18

Portable Computer 就再行前一步：唔係淨係畀雲端 agent 讀本地檔案，而係將核心 agent runtime 本身搬到支援嘅 NVIDIA 硬件上。簡單睇，產品路線係：

1. Computer：建立雲端多步驟 agent。
2. Personal Computer：令 agent 可以接觸用戶本地檔案同桌面應用程式。
3. Portable Computer：將模型、orchestrator、harness、工具同相關 runtime 放到本地硬件，必要時再選擇性使用雲端。31827

最大取捨：私隱同控制，對上方便同雲端能力

Portable Computer 最有特色嘅地方，唔係單純「用 GPU 跑一個模型」，而係將模型、orchestrator、agent harness、推理引擎、工具、連接器同 sandbox 整合成一套產品。對唔想逐件組裝本地 AI stack 嘅用戶嚟講，呢種一體化可以減少設定負擔。35

代價亦好清楚：需要高階 NVIDIA 硬件，首發作業系統支援有限，而且本地模型嘅推理範圍未必追得上最新雲端系統。雲端批准流程就係中間方案——敏感同日常工作盡量留喺本地，遇到真正需要更強能力嘅步驟，先由用戶決定要唔要借用雲端。

如果你平時會處理私人文件、商業資料或者其他唔想預設上傳嘅內容，本地優先可能比無限制使用最大型雲端模型更加重要。但對一般用戶嚟講，硬件要求同首發支援範圍，可能令傳統雲端 agent 暫時更加方便，至少要等平台擴大支援之後先再作比較。