Perplexity Computer上线Multiagent:16个AI智能体交叉校验

Perplexity 为 Computer 新增 Multiagent 档位,主导智能体调度最多 16 个异构子智能体交叉校验。
Perplexity 在 Computer 产品线中新增 Multiagent 模式,把「努力程度」推到 Ultra 之上的一档。该模式由主导智能体调度最多 16 个子智能体,分别运行在 Claude、GPT、Gemini 之上,子智能体共享中间发现并相互检查工作成果,形成共享发现与交叉校验两条核心机制。文章认为,这把「愿意花多少算力」变成显式的产品维度,用户以时间与算力换取更可靠的多角度结论,适合研究、尽调、复杂代码审查等低容错场景,日常问答则属过度配置。收益来自并行拆分、共享发现与异构校验,代价是额外的 token 与时间开销、编排层瓶颈,以及主导智能体拆解质量决定整体上限。
Perplexity 为 Computer 产品线新增了 Multiagent 模式,把「努力程度」推到了 Ultra 之上的一档。按照官方描述,这一模式下会有一个主导智能体(lead agent)调度最多 16 个子智能体,分别运行在 Claude、GPT 和 Gemini 模型之上,子智能体之间共享中间发现,并相互检查对方的工作成果。

Multiagent 到底在做什么
传统 AI 助手的工作模式是单线程的:一个模型拿到任务,从头推理到尾,过程中只有它自己在「检查」自己。Multiagent 改变的是这套结构——主导智能体负责拆解任务、分配子任务,再把最多 16 个智能体的输出汇总起来。
关键点在于两条机制:一是共享发现,子智能体不是各自为战,中间结果会被其他智能体看到;二是交叉校验,每个智能体的产出要经过同伴的审查。这相当于把人类团队里的「结对评审」搬到了模型层。
说个细节,这些子智能体并非跑在同一个模型上。Claude、GPT、Gemini 三家模型同时上阵,意味着任务可以从不同模型的偏好与能力中获益,也让校验环节天然带有异构性——不同模型对同一份工作的判断,往往比同模型自我复核更有区分度。
主导智能体(Lead Agent) 是多智能体系统里的编排者,职责不是直接完成用户任务,而是把任务拆解成若干可并行或可顺序执行的子任务,分配给合适的子智能体,并在最后把各路输出归并、消解冲突。它的工作质量往往比单个子智能体更强弱更关键——编排层一旦拆解失当,后续再多的并行算力也会被浪费在错误的分工上。这也是多智能体架构与传统「一个模型从头到尾」模式最本质的区别:后者只有推理,前者多了计划与协调。
异构模型校验 指的是让不同厂商、不同训练数据的模型互相审查产出。同模型自我复核容易陷入「自我一致但实际错误」的陷阱,因为它会沿用自己的推理偏好重新走一遍同样的路径;而 Claude、GPT、Gemini 在训练语料、对齐策略和推理风格上存在差异,对同一份中间结果往往给出不同判断,从而把个别模型的幻觉或逻辑跳跃暴露出来。这种异构性是多智能体交叉校验能生效的前提,也解释了为什么 Perplexity 要让三家模型同时上阵,而不是简单地堆叠同一模型。
「努力程度」成为新的产品维度
Perplexity 把 Multiagent 定位为「高于 Ultra 的努力程度档位」,这个措辞本身值得注意。过去这类产品的差异化主要围绕模型选择、上下文长度、检索质量展开,现在多了一个显式的「愿意花多少算力」维度。
用户实际上是在做一个成本与深度的权衡:普通档位追求响应速度,Ultra 档位追求更充分的推理,Multiagent 档位则在时间与算力上让步,换取更可靠的多角度结论。对于研究、尽调、复杂代码审查这类容错率低的任务,这种交换是划算的;对于日常问答,则是明显的过度配置。
这一设计也暴露了当前 AI 产品的一个现实:单一模型再强,也会在长链条任务中出现自我一致但实际错误的推理。引入多个异构模型互相挑错,是目前工程上较易落地的一种缓解手段。
推理时计算(Test-time Compute) 指模型在生成答案阶段投入的算力规模,而非训练阶段的参数规模。近年来的研究与实践表明,让模型在回答前进行更长的思考、多次采样或自我验证,可以显著提升复杂任务的准确率。Perplexity 把「努力程度」做成显式档位,本质上是把推理时计算从幕后参数变成了用户可感知、可选择的成本项——用户用延迟和配额换取更充分的推理与校验,这正是「Multiagent 高于 Ultra」这一措辞背后的产品逻辑。
多智能体架构的收益与代价
从架构上看,Multiagent 的收益来自三个方向:并行拆分让子任务可以更专注;共享发现减少了重复探索;交叉校验压低了个别模型的幻觉风险。理论上,16 个智能体的组合覆盖面远大于单个智能体一次推理。
代价同样明显。智能体之间的通信、汇总和互相评审都要消耗额外的 token 与时间,编排层本身也可能成为瓶颈或错误来源。更关键的是,主导智能体的任务拆解质量决定了整体上限——如果拆分本身就偏了,再多子智能体也只是在错误方向上分工协作。
另外,跨模型协作在工程上并非没有摩擦。不同模型的输出格式、推理风格、上下文处理方式存在差异,汇总环节需要额外的对齐工作。这套机制在真实复杂任务中的稳定性,还需要更多实际使用来检验。
对开发者与重度用户意味着什么
对开发者而言,Multiagent 释放的信号是:编排能力正在成为产品竞争力的一部分。模型本身越来越像可替换的组件,「怎么组织多个模型协同工作」成为新的差异化空间。这也与近期多智能体框架的流行方向一致。
对重度用户来说,这一档位的实际价值取决于任务类型。需要多来源比对、需要交叉验证结论、需要同时覆盖多种技术栈或多种解释路径的场景,是 Multiagent 的主场;而单点事实查询、简单改写、格式转换一类任务,用这一档位并不经济。
Perplexity 尚未在公开信息中披露各档位的具体延迟与配额差异,实际体感仍需以产品内表现为准。可以确定的是,把「多智能体交叉校验」做成用户可选的档位,本身就是一次有意义的尝试——它把算力分配的选择权交回给了用户。
多智能体编排框架 是近年来兴起的一类开发范式,代表包括 AutoGen、LangGraph、CrewAI 等,核心是把多个具备不同角色或模型的智能体通过消息传递、任务图或评审循环组织起来协同完成复杂任务。Perplexity 的 Multiagent 可以看作这一范式在产品层的落地:模型逐渐被视为可替换的组件,真正的竞争力转向「如何组织多个模型分工、共享上下文并交叉验证」。对开发者而言,这意味着编排层的设计能力、状态管理与冲突消解策略,正在成为与模型选型同等重要的技术议题。
常见问题
Multiagent 使用哪些模型? 根据 Perplexity 的说明,子智能体运行在 Claude、GPT 和 Gemini 上,由主导智能体统一调度。
最多多少个智能体? 最多 16 个。
和 Ultra 档位的关系是什么? Multiagent 是高于 Ultra 的努力程度档位,面向需要更深推理与交叉校验的任务。
智能体之间如何协作? 子智能体共享中间发现,并相互检查彼此的工作成果。
相关推荐

AI时代程序员转型:旧技术该学多深?
AI冲击下程序员该如何转型?旧技术还要学多深?结合B站UP主分享,拆解拥抱AI的层次、学习方式从过程驱动到项目驱动的转变,以及技术壁垒降低对初级中级岗位的影响。

OpenAI发布GPT-6.2双模型Astra与Sol,API降价20%
OpenAI发布GPT-6.2 Astra与Sol两款模型,Astra的API价格下调20%至每百万token 8/40美元,并在Artificial Analysis Intelligence Index上排名第二。本文分析双模型策略、降价影响与开发者选型建议。

亚马逊与谷歌将合持Anthropic近30%股份
Anthropic IPO后,亚马逊持股略低于15%并保留增持选择权,谷歌持股近14%,两家合计掌控近30%股权。本文分析这一股权结构背后的战略逻辑、治理挑战及对AI竞争格局的影响。