Qué es y para qué sirve
La empresa Perplexity ha lanzado Portable Computer, una versión local de su plataforma de agentes Computer, que ahora funciona en la estación compacta NVIDIA DGX Spark. No es una vista previa ni una compilación experimental, sino un software de lanzamiento completo: el orquestador, el planificador, el enrutador de herramientas y los modelos ajustados están instalados directamente en el dispositivo.
El producto no está orientado al mercado masivo. Los principales compradores son grandes empresas y negocios medianos que ya tienen estaciones NVIDIA, además de startups AI-native bien financiadas. Para las pequeñas empresas comunes, es poco probable que esta compra se amortice. Según el posicionamiento, el sistema interesa principalmente a finanzas, derecho, salud, sector público, defensa y equipos de ingeniería que trabajan con propiedad intelectual sensible.
Cómo funciona el sistema local
Todo lo necesario se entrega en un solo paquete: modelo local, motor de inferencia, arnés de agentes, sandbox para herramientas y conectores de aplicaciones. El usuario elige entre Qwen 3.8 27B y PPLX 27B; la segunda opción es un modelo ajustado por la propia Perplexity. Pronto prometen añadir el modelo abierto NVIDIA Nemotron 3.5 Lightning con arquitectura MoE de 30 mil millones de parámetros. Si se quiere usar algo propio, se admiten modelos BYO y servidor de inferencia personalizado.
El código y las llamadas a herramientas se ejecutan dentro de un sandbox controlado por el sistema operativo. Este restringe estrictamente los procesos, el acceso a rutas del sistema de archivos y las conexiones de red. Si el sandbox no está disponible, la ejecución de herramientas simplemente se desactiva, sin transición silenciosa a un modo inseguro.
Las integraciones con Gmail, Outlook, Slack y GitHub se enrutan a través del orquestador local. Para que el modelo no se ahogue en el contexto, los desarrolladores aplicaron varios trucos: el prompt del sistema y el conjunto de herramientas se mantienen pequeños, las habilidades especializadas se cargan bajo demanda y los conectores se diseñan como utilidades CLI compactas, no como definiciones MCP completas. Durante una ejecución larga, el contexto obsoleto se compacta. Esto es importante, ya que Qwen declara una ventana de 260K tokens, pero en la práctica la degradación comienza aproximadamente después de 100K.
Cuándo la tarea se envía a la nube
Los pasos locales no se facturan por tokens; el cargo solo aparece por operaciones en la nube. Cada tarea comienza en el dispositivo. Si el agente necesita acceso directo a la web o razonamiento realmente complejo, el orquestador se detiene y pregunta al usuario si puede enviar ese único paso al exterior. Hay más de 15 modelos en la nube para elegir.
Antes del envío, el arnés selecciona solo el contexto relevante, lo procesa con un clasificador de PII y muestra exactamente qué datos saldrán de la máquina. El asesor en la nube recibe el paso aprobado y devuelve instrucciones de texto. No tiene acceso directo a archivos locales, herramientas ni historial de conversación. El resultado es un esquema híbrido: la parte privada permanece en el dispositivo, mientras que los cálculos pesados se delegan al exterior de forma puntual y bajo el control del propietario.
Resultados en benchmarks
Perplexity presenta sus propias mediciones en el conjunto Local Knowledge Work Bench de 53 tareas de agente informático. Con el modelo Qwen 3.8 27B en NVIDIA DGX Spark, la versión local obtuvo un 82,6%. Para comparar: el arnés abierto Pi mostró un 77,6%, y Hermes con el mismo modelo, un 74,0%. Reemplazar el modelo por PPLX 27B eleva el resultado al 85,4%.
En la prueba BrowseComp, la plataforma de agentes obtuvo un 66,7% frente al 50,2% de Pi y el 43,9% de Hermes. Además, gastó un 51% menos de tiempo y un 70% menos de tokens que Pi. La brecha es aún más notable en la prueba ParseBench-100 para comprensión visual de documentos: 65,1% frente a 34,6% y 13,9%, respectivamente.
En Terminal Bench 2.1, una ejecución completamente local dio un 59,6% con costos marginales prácticamente nulos. Si se conecta el asesor en la nube, el resultado sube al 73,0%, y el costo de un rollout es de aproximadamente $0,415. Como referencia, el modelo independiente Claude Opus 5 en la misma prueba obtiene un 82,4%, pero cuesta alrededor de $0,65 por ejecución. La escalada reduce notablemente la brecha con los modelos más potentes, pero no la cierra por completo. En cambio, el modo local sigue siendo casi gratuito.
Requisitos técnicos y disponibilidad
Para la instalación en NVIDIA DGX Spark se necesitan el superchip GB10, 128 GB de memoria y al menos 1 TB de almacenamiento. El orquestador basado en Qwen 3.8 27B se distribuye en cuantización de 3 bits: descarga de 17,4 GB, requiere 32 GB de RAM. La versión con NVIDIA Nemotron 3.5 Lightning es de 4 bits, ocupa 19 GB y requiere 36 GB de RAM. En otros sistemas se puede usar DGX OS o Ubuntu en ARM o x64 con una tarjeta gráfica RTX y al menos 24 GB de memoria de video. La instalación se realiza mediante el repositorio apt estándar.
En el lanzamiento, el sistema está disponible Linux-first para suscriptores Pro, Max, Enterprise Pro y Enterprise Max. La versión para Windows se espera en septiembre, y macOS aún no está en la hoja de ruta. Un detalle importante: en el arranque solo se admite un DGX Spark; la agrupación en clúster de varios dispositivos está planificada para el futuro.
En esencia, es un intento de crear un entorno de agentes privado que no requiere conexión constante a internet ni paga por cada llamada local, pero que al mismo tiempo sabe conectar potentes modelos en la nube cuando realmente está justificado.
