Perplexity lança o Frontier Research: o pesquisador de IA será treinado em mais de 10 mil GPUs
A Perplexity lançou o Frontier Research, uma equipe que desenvolve IA para pesquisas autônomas: buscar fontes, cruzar informações e tirar conclusões. Os modelos são treinados com RL, o aprendizado por reforço, em que o resultado das ações recebe uma "nota", usando mais de 10 mil GPUs (placas de vídeo). As tarefas de treinamento vêm do uso real da Perplexity. A lição para desenvolvedores é que agentes estão sendo treinados cada vez mais em cenários reais, e não apenas ajustados com prompts.
Processado por IA de X: @denisyarats; editado por Hamidun News
Peça a um assistente de IA moderno que "analise o mercado" ou "estude um tema científico", e ele provavelmente entregará um resumo bem organizado, porém superficial. A pesquisa de verdade envolve dezenas de buscas, leitura de fontes, checagem de contradições e novas tentativas. É exatamente esse trabalho que a Perplexity quer passar para a máquina. A empresa, conhecida como um buscador de IA que mostra as fontes das respostas, anunciou o lançamento do Perplexity Frontier Research. A informação foi publicada no X por Denis Yarats, cofundador e diretor técnico da Perplexity. O objetivo é um sistema capaz de conduzir pesquisas de forma autônoma, isto é, sem orientação humana a cada etapa.
Dois números do anúncio merecem explicação imediata. RL é o aprendizado por reforço: o modelo não decora respostas prontas, mas testa ações e recebe uma "nota" pelo resultado, como um estagiário que fica sabendo se cumpriu ou não a tarefa. GPU são as unidades de processamento gráfico, as "placas de vídeo" em que as redes neurais são treinadas. A Perplexity pretende executar esse treinamento em um cluster de 10 mil ou mais GPUs. Para comparação, ajustar um modelo pequeno pode ser feito com algumas placas, enquanto um cluster de dez mil é o patamar dos grandes laboratórios.
No que a equipe vai trabalhar
O anúncio cita cinco frentes: orquestração de múltiplos agentes, aprendizado por reforço, aprendizado contínuo, engenharia de sistemas e pré-treinamento (treinamento de modelos base do zero).
A orquestração é necessária porque um único agente tem dificuldade com uma pesquisa longa. Imagine pedir uma análise do mercado de patinetes elétricos: um agente busca as empresas, outro lê os relatórios e um terceiro confere os números. O orquestrador distribui as tarefas e reúne o resultado. Já o aprendizado contínuo significa que o modelo incorpora novidades sem ser retreinado por completo. Para um sistema de pesquisa, isso é essencial, porque os fatos do mundo ficam desatualizados mais rápido do que saem novas versões dos modelos.
Como será o treinamento: dados sintéticos e cenários reais
Segundo Yarats, grande parte do trabalho é RL em larga escala. Os dados de treinamento são sintéticos, e os ambientes em que o modelo treina são construídos com base em como as pessoas usam a Perplexity de fato.
A lógica é esta. Para treinar um agente de pesquisa por RL, é preciso um ambiente em que ele possa buscar, abrir páginas e executar código, e em que o resultado possa ser verificado: a resposta está certa ou não. A Perplexity tem algo que laboratórios sem um produto de massa não têm: um fluxo de consultas reais e a compreensão de quais tarefas as pessoas de fato realizam. Com isso, é possível montar exercícios de treinamento próximos da vida real, e não apenas de benchmarks escolares.
Yarats também destaca que a Perplexity é uma empresa de "stack completo": busca, inferência (execução de modelos já treinados), treinamento e sandboxes (ambientes isolados onde o agente executa ações) são desenvolvidos internamente. Segundo ele, isso permite avançar rapidamente, e tudo o que é criado é testado em produtos usados por milhões de pessoas. O ciclo "treinar, lançar, observar o comportamento do modelo com usuários e devolver os dados ao treinamento" fica mais simples de fechar quando todas as partes estão sob o mesmo teto.
O que isso significa na prática
Uma ressalva: trata-se de uma declaração de intenções e de uma contratação de equipe, não de um lançamento. O anúncio não traz nomes de modelos, resultados em benchmarks, prazos nem informações sobre quais modelos base serão usados como ponto de partida. A empresa está recrutando pesquisadores e engenheiros.
Para desenvolvedores e gerentes de produto, há três conclusões:
- A indústria está migrando do ajuste fino de prompts sobre modelos de terceiros para o treinamento dos próprios modelos em tarefas de agentes. Empresas com produtos de massa estão transformando cenários de usuários em ambientes de treinamento.
- Mesmo sem treinamento próprio, é possível adotar elementos da abordagem: sandboxes para executar ações com segurança, critérios claros e mensuráveis de "tarefa resolvida" e a divisão de papéis entre agentes. Esses pontos determinam a qualidade de um agente em produção.
- A Perplexity claramente quer deixar de ser uma camada sobre modelos alheios e se tornar desenvolvedora dos seus próprios. Ainda não se sabe se o resultado virá como um novo modelo ou como um modo de pesquisa mais forte dentro do produto.
- 21 de nov. de 2026Parallel Search lidera ranking de 26 APIs de busca para agentes de IA com 83 pontos
- 21 de nov. de 2026Alice, ChatGPT e Perplexity citam apenas 34 de 309 sites para artigos
- 21 de nov. de 2026Perplexity indicou lojas de risco em 15% das respostas sobre compras; ChatGPT, em 8%
- 21 de nov. de 2026Perplexity lança Decider v1.3: 70 pontos no ranking de decisões e US$ 68 por milhão de tarefas
Perguntas frequentes sobre a notícia
O que se sabe sobre No que a equipe vai trabalhar?
O anúncio cita cinco frentes: orquestração de múltiplos agentes, aprendizado por reforço, aprendizado contínuo, engenharia de sistemas e pré-treinamento (treinamento de modelos base do zero). A orquestração é necessária porque um único agente tem dificuldade com uma pesquisa longa. Imagine pedir uma análise do mercado de patinetes elétricos: um agente busca as empresas, outro lê os relatórios e um terceiro confere os números. O orquestrador distribui as tarefas e reúne o resultado.
Como será o treinamento: dados sintéticos e cenários reais?
Segundo Yarats, grande parte do trabalho é RL em larga escala. Os dados de treinamento são sintéticos, e os ambientes em que o modelo treina são construídos com base em como as pessoas usam a Perplexity de fato. A lógica é esta. Para treinar um agente de pesquisa por RL, é preciso um ambiente em que ele possa buscar, abrir páginas e executar código, e em que o resultado possa ser verificado: a resposta está certa ou não.
O que isso significa na prática?
Uma ressalva: trata-se de uma declaração de intenções e de uma contratação de equipe, não de um lançamento. O anúncio não traz nomes de modelos, resultados em benchmarks, prazos nem informações sobre quais modelos base serão usados como ponto de partida. A empresa está recrutando pesquisadores e engenheiros. Para desenvolvedores e gerentes de produto, há três conclusões: A indústria está migrando do ajuste fino de prompts sobre modelos de terceiros para o treinamento dos próprios modelos em tarefas de agentes.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.