Qu'est-ce que c'est et pourquoi
Perplexity a publié Portable Computer, une version locale de sa plateforme d'agents Computer, qui fonctionne désormais sur la station compacte NVIDIA DGX Spark. Il ne s'agit pas d'un aperçu ni d'une version expérimentale, mais d'un logiciel de version complète : l'orchestrateur, le planificateur, le routeur d'outils et les modèles affinés sont installés directement sur l'appareil.
Le produit ne cible pas le marché de masse. Les principaux acheteurs sont les grandes entreprises et les PME qui possèdent déjà des stations NVIDIA, ainsi que les startups AI-native bien financées. Pour les petites entreprises ordinaires, un tel achat a peu de chances d'être rentable. D'après le positionnement, le système intéresse avant tout les secteurs de la finance, du droit, de la santé, du secteur public, de la défense et les équipes d'ingénierie travaillant avec une propriété intellectuelle sensible.
Comment fonctionne le système local
Tout le nécessaire est fourni en un seul package : modèle local, moteur d'inférence, harnais d'agents, bac à sable pour les outils et connecteurs d'applications. L'utilisateur choisit entre Qwen 3.8 27B et PPLX 27B — la seconde option étant un modèle affiné par Perplexity elle-même. Bientôt, l'ajout du modèle open source NVIDIA Nemotron 3.5 Lightning avec une architecture MoE de 30 milliards de paramètres est promis. Si l'on souhaite utiliser son propre modèle, les modèles BYO et un serveur d'inférence dédié sont pris en charge.
Le code et les appels d'outils sont exécutés dans un bac à sable contrôlé par le système d'exploitation. Celui-ci limite strictement les processus, l'accès aux chemins du système de fichiers et les connexions réseau. Si le bac à sable est soudainement indisponible, l'exécution des outils est simplement désactivée — sans bascule silencieuse vers un mode non sécurisé.
Les intégrations avec Gmail, Outlook, Slack et GitHub sont routées via l'orchestrateur local. Pour éviter que le modèle ne soit submergé par le contexte, les développeurs ont appliqué plusieurs astuces : le prompt système et l'ensemble d'outils sont maintenus réduits, les compétences spécialisées sont chargées à la demande, et les connecteurs sont conçus comme des utilitaires CLI compacts plutôt que des définitions MCP complètes. Au cours d'une exécution longue, le contexte obsolète est condensé. C'est important, car Qwen annonce une fenêtre de 260K tokens, mais en pratique, la dégradation commence après environ 100K.
Quand la tâche passe dans le cloud
Les étapes locales ne sont pas facturées par token — des frais ne surviennent que pour les opérations cloud. Chaque tâche démarre sur l'appareil. Si l'agent a besoin d'un accès direct au web ou d'un raisonnement véritablement complexe, l'orchestrateur s'arrête et demande à l'utilisateur s'il peut envoyer cette seule étape à l'extérieur. Plus de 15 modèles cloud sont disponibles au choix.
Avant l'envoi, le harnais sélectionne uniquement le contexte pertinent, le fait passer par un classificateur PII et montre exactement quelles données quitteront la machine. Le conseiller cloud reçoit l'étape approuvée et renvoie des instructions textuelles. Il n'a pas d'accès direct aux fichiers locaux, aux outils ou à l'historique de la conversation. On obtient ainsi un schéma hybride : la partie privée reste sur l'appareil, tandis que les calculs lourds sont délégués à l'extérieur de manière ponctuelle et sous le contrôle du propriétaire.
Résultats des benchmarks
Perplexity fournit ses propres mesures sur l'ensemble Local Knowledge Work Bench de 53 tâches d'agent informatique. Avec le modèle Qwen 3.8 27B sur NVIDIA DGX Spark, la version locale a obtenu 82,6 %. À titre de comparaison : le harnais open source Pi a affiché 77,6 %, et Hermes sur le même modèle — 74,0 %. Le remplacement du modèle par PPLX 27B fait passer le résultat à 85,4 %.
Sur le test BrowseComp, la plateforme d'agents a obtenu 66,7 % contre 50,2 % pour Pi et 43,9 % pour Hermes. Elle a en outre consommé 51 % de temps en moins et 70 % de tokens en moins que Pi. L'écart est encore plus marqué sur le test ParseBench-100 pour la compréhension visuelle de documents : 65,1 % contre 34,6 % et 13,9 % respectivement.
Sur Terminal Bench 2.1, une exécution entièrement locale a donné 59,6 % avec des coûts marginaux quasi nuls. En connectant le conseiller cloud, le résultat grimpe à 73,0 %, et le coût d'un seul rollout est d'environ 0,415 $. Pour référence : le modèle autonome Claude Opus 5 obtient 82,4 % sur le même test, mais coûte environ 0,65 $ par exécution. L'escalade réduit nettement l'écart avec les modèles les plus puissants, mais ne le comble pas entièrement. En revanche, le mode local reste presque gratuit.
Exigences techniques et disponibilité
Pour l'installation sur NVIDIA DGX Spark, il faut la superpuce GB10, 128 Go de mémoire et au moins 1 To de stockage. L'orchestrateur basé sur Qwen 3.8 27B est fourni en quantification 3 bits : téléchargement de 17,4 Go, 32 Go de RAM requis. La version avec NVIDIA Nemotron 3.5 Lightning est en 4 bits, occupe 19 Go et nécessite 36 Go de RAM. Sur d'autres systèmes, on peut utiliser DGX OS ou Ubuntu sur ARM ou x64 avec une carte graphique RTX et au moins 24 Go de mémoire vidéo. L'installation s'effectue via le référentiel apt standard.
Au lancement, le système est disponible en priorité sur Linux pour les abonnés Pro, Max, Enterprise Pro et Enterprise Max. La version Windows est attendue en septembre, et macOS n'est pas encore sur la feuille de route. Un point important : un seul DGX Spark est pris en charge au démarrage, la mise en cluster de plusieurs appareils étant prévue pour plus tard.
En substance, il s'agit d'une tentative de créer un environnement d'agents privé qui ne nécessite pas de connexion internet permanente et ne facture pas chaque appel local, tout en sachant connecter de puissants modèles cloud lorsque cela est réellement justifié.
