Mac 上的 Perplexity Computer 新增完全本地化 AI，云端访问可选

据 Perplexity 称，Mac 上的 Perplexity Computer 现已支持完全本地化运行，可将模型和智能体部署在电脑上，而无需依赖云端推理。这项公告改变了敏感工作可在何处进行，也引入了用户需要理解的一项区别：访问本地文件与在本地处理这些文件，是两种不同的能力。

Perplexity 表示，新模式会将任务规划、推理和文件处理保留在受支持的 Apple silicon Mac 上。经用户授权后，云端协助仍然可用。因此，核心选择不再只是“桌面端还是网页端”。用户可以决定任务是留在本机执行，还是调用远程服务。

Apple 提供了一个有价值的参照，其为 Apple Intelligence 分别开发了设备端和服务器端模型。Perplexity 将这种位置选择带入了桌面智能体——一种可规划行动并调用工具的软件。眼下的问题是：哪些日常工作流能在本地完成，同时不牺牲用户所需的准确性、应用访问能力或监督机制。

Mac 上的 Perplexity Computer 实际改变了什么

这项公告将智能体的决策部分移至 Mac，不再局限于访问存储在本机上的文件。

在其完全本地化公告中，Perplexity 表示，模型、智能体运行时和任务执行均可在设备端运行。它列出了 Qwen 3.6 和 PPLX Pro 作为本地模型选项。该公司建议，受支持的 Apple silicon 硬件至少配备 36 GB 内存。

这一建议值得关注，因为桌面应用与本地 AI 系统对硬件的要求不同。安装一个界面并不意味着每台 Mac 都能舒适地运行其底层模型。购买者应区分应用的通用兼容性与其完全本地模式的要求。

Perplexity 还保留了 Hybrid Compute，它将云端推理与私密材料的本地处理相结合。而完全本地选项则改为在 Mac 上启动任务规划。据该公司称，用户可授权系统升级调用在线信息、已连接应用或额外推理。

实际变化关乎谁来控制这种升级。一个在本地启动的任务，在信息传递给另一项服务之前，应具备清晰易懂的边界。界面能否让这一边界足够明确，将与模型选择界面同样重要。

设想一次假设性的项目审查，涉及已下载的笔记、预算工作簿和一份尚未完成的更新稿。理想结果是产出一份与这些材料相对应的准确草稿。本地智能体需要检查输入内容、协调不一致之处，并保存一份可供审查的结果，同时不使用远程推理。

这个例子说明的是所承诺的能力，而非独立观察到的结果。它也表明，仅有聊天机器人的回复不足以构成证据。完成这类工作流需要可靠的读取、合理的规划、正确的编辑，以及对改动内容的清晰记录。

因此，这项公告带来了更广泛的评估问题：本地系统能否在用户已在使用的各类应用中完成有用的工作？一个成功回答提示词的模型，只完成了这项挑战的一部分。

对于看到“无需 Wi-Fi”描述的读者，限定条件很直接。离线推理可支持输入和工具已在本地可用的任务。它无法获取刚刚发布的网页，也无法通过断开的网络发送电子邮件。

初始安装和模型下载则是另一回事。一个系统可以在设置期间需要联网，同时仍能在之后离线执行任务。测试应识别所衡量的阶段，而不是将安装、执行和交付视为一个没有区分的过程。

本地文件访问此前已经存在

新主张关乎推理发生的位置，而此前的 Mac 版本已提供本地应用和文件访问。

Perplexity 在其桌面智能体发布公告中，记录了 4 月推出的本地编辑、计算机操作、Comet 浏览和语音编排功能。其示例包括整理文件夹、起草电子邮件，以及使用 Notes 和 Calendar。这些能力表明，Mac 集成早于本次公告。

这段历史很重要，因为“在你的 Mac 上运行”可能描述多种安排。一款应用可以在本地执行点击操作，同时由远程模型决定如何点击。它也可以从本地存储读取文档，却将其内容发送到其他地方进行分析。

仅仅因为界面位于菜单栏中，这两种安排都不会变成完全本地化。真正有意义的区别在于，任务的推理是否依赖远程服务。这一区别决定了离线测试需要验证什么。

对于知识工作者而言，这将便利性与对处理位置的控制区分开来。便利访问减少了在应用之间复制内容的需要。本地推理则解决了另一个问题：材料是否必须离开电脑，才能生成答案或执行操作。

压力首先会落在那些信息表达未能清楚说明这些安排的桌面智能体供应商身上。一旦用户可以选择执行位置，竞争产品就需要解释各自的默认设置。宽泛的隐私表述，不如对哪些信息会流向何处的具体说明有参考价值。

企业买家面临类似的文档问题。评估助手的团队需要分别了解文件访问、处理位置、外部连接和输出处理。单一的“本地”标签无法回答所有这些问题。

这并不意味着组织应当替换现有系统。它改变的是评估时可提出的问题。声称可在本地运行的供应商，应能够描述该主张成立的条件。

开发者则面临应用边界上的压力。如果智能体可以在本地推理，却无法可靠地检查或更新一份有用的文档，工作流仍会停滞。应用集成和模型能力必须同步发展。

个人知识管理中也存在类似区别：收集信息并不会自动让它日后变得有用。智能体在根据请求采取行动前，需要获得相关且可访问的材料。处理位置则为这一既有的信息问题增加了另一项要求。

因此，这项公告的时机最好通过产品演进来理解。Perplexity 已将 Computer 连接到桌面端。其下一项主张则是将推理过程也置于其中，使用户能够将本地执行作为完整工作流来评估。

本地控制与云端覆盖范围之间的选择

本地运行改变了工作的默认位置，而云端访问对于需要机器之外信息的任务仍然有用。

本地任务具有可识别的信息边界。它可以利用电脑上已可访问的文档、消息和其他材料。无论推理能力多强，其答案仍受限于这些输入。

云端连接的工作具有不同的优势。它可以整合最新信息，并访问离线状态下不可用的服务。除了结果质量和速度之外，其权衡还涉及信息跨越这一边界时的处理方式。

一个审阅已下载报告的假设性分析师案例说明了这一差异。概括报告内容并比较其内部章节，可以仍是一项封闭任务。核查其中假设是否仍与当前事件相符，则引入了对外部信息的需求。

同样的区别也适用于沟通。根据本地可用的往来邮件准备回复，与发送该回复是两回事。一个有用的界面应让这种转换显而易见，尤其是在消息包含来自私密文档的材料时。

这也是为什么对本地 AI 最有力的理解，不应将联网视为自动失败。相关问题在于外部访问是否必要、是否被理解，以及是否获得授权。本地起点可以与有意识的在线步骤共存。

Apple 提供了一个具体的行业比较。其基础模型研究描述了独立的设备端和服务器端模型，其中包括一个约 30 亿参数的本地模型。这项工作为围绕不同执行环境设计不同模型树立了先例。

Apple 的做法也提醒人们不要进行过于简单的比较。为设备端功能设计的模型，与协调各类应用的桌面智能体，面临不同的评估要求。两者对本地处理的共同关注，并不意味着能力等同。

Perplexity 的竞争主张聚焦于在用户的工作环境中完成任务。Apple 已发布的研究则为底层的位置选择提供了背景。仅凭任一来源，都无法证明哪一套系统能更准确地完成某个特定的办公工作流。

因此，最清晰的竞争是在执行方式之间展开：具有边界输入的本地推理，与覆盖范围更广的云端辅助工作。单个产品可以同时提供两者。有意义的比较在于每种方式服务特定任务的效果如何。

对组织而言，这意味着应分别评估不同类别的工作。审阅已下载材料、起草内部文本和整理项目文件夹，与监测当前动态的要求不同。单一的整体智能体评分会掩盖这些差异。

本地 AI 还改变了硬件所有权的角色。处理工作转移到用户控制的资源上，但该资源的内存有限，也要承担其他工作负载。任何评估都应将电脑的常规职责与智能体一并纳入考量。

当云端协助能在可接受的条件下产出更有用的结果时，它仍然可能是合适的选择。完全本地执行只有在用户设定的边界内完成工作时，才能体现其价值。其价值在于让这种选择变得实用且明确。

权限仍决定智能体能做什么

将推理保留在设备端解决了处理位置问题，但智能体仍需要经过谨慎限定的授权才能采取行动。

Perplexity 的Mac 权限指南介绍了用于点击和输入的 Accessibility 访问权限、用于观察界面的屏幕录制访问权限，以及用于访问文件的磁盘访问权限。它还介绍了连接文件夹和批准敏感操作。这些都是重要权限，即使处理仍在本地进行也是如此。

每项权限都会暴露工作环境的不同部分。能够查看应用的智能体，与能够编辑其内容的智能体，具备不同的能力。评估需要同时考虑可见性和操作能力。

当一项任务跨越多个应用时，这一区分尤为重要。准备项目进展更新的请求，可能涉及私密笔记、电子表格和一份沟通草稿。读取这些输入内容的权限，不应变成一项含糊的发布结果指令。

本地模型仍可能误解请求。它可能选中一份过时文档、混淆名称相近的文件，或得出错误计算结果。将模型部署到电脑上，并不能免除检查重要输出的必要性。

安全问题也不仅限于有意发出的指令。当任务中接触到的内容试图重定向代理的行为时，就会发生提示注入。本地存储的材料也可能含有此类内容，因此断网运行并不能消除这类风险。

这是一般性的风险评估，而非认定此次发布存在某种特定漏洞。实际含义是，执行位置与授权范围需要分别审视。私密的执行环境依然需要对代理可执行的更改设定明确限制。

例如，假设的文件夹清理任务应区分整理文件与删除文件。起草任务应区分保存文档与发送文档。这些边界能让结果更易审查，也更容易控制错误影响。

买家还应考察产品如何说明其活动。仅有一份完成的文档，可能掩盖了哪些输入影响了结果。对工作过程作出易于理解的说明，有助于用户发现缺失来源、错误假设和非预期编辑。

这里存在可用性方面的张力。频繁的审批请求会打断有价值的自动化，而宽泛的长期权限则可能掩盖重要操作。产品需要将审查节点设置在能帮助用户作出知情决策的位置。

这为独立评测者提供了明确任务。他们应检查权限模型是否与任务相匹配，以及系统是否会在预期边界处停止。仅展示成功输出，无法单独回答这些问题。

对于知识工作者而言，启示很实际：私密处理若能结合可靠执行和易于理解的控制，就很有价值。最有用的产品会在日常工作中让这些特性清晰可见。

硬件宣称需要工作流证据

模型可在本地运行，并不能证明桌面代理能可靠或高效地完成真实任务。

Perplexity 已发布技术工作，使其本地推理方案更便于审查。推理指运行已训练模型以生成输出。其公开的本地推理服务器 Lily，面向受支持 Apple 硬件上的特定 Qwen 检查点。

该仓库记录了一个范围明确的实现，并列出了清晰的要求和限制。这是有价值的工程证据，因为它说明了软件接受什么输入以及如何运行。但它不应被视为面向消费者的 Mac 应用的完整规格说明。

桌面代理不只是一个推理服务器。它还需要理解请求、选择工具、处理应用状态，并在操作失败时恢复。单个组件的性能并不能自动预测整条链路中的使用体验。

因此，任务完成情况比生成文本的速度更适合作为首要衡量标准。快速响应后接着出现错误编辑，只会浪费时间。运行较慢但能产出准确、可审查成果的方案，可能更有用。

评测者应在测试开始前定义成功标准。文档任务可能要求保留指定事实，并保存到正确位置。电子表格任务可能要求公式正确，且不对请求范围以外的内容作非预期修改。

在比较本地执行与云端辅助执行时，这些标准应保持一致。否则，比较可能只是在奖励获得更简单任务的模式。相同的输入和预期输出，才能让结果具备可解释性。

硬件报告也需要同样的严谨性。一份有用的评测应说明设备、可用内存、模型选择，以及任务期间运行的其他应用。缺少这些背景，读者便无法判断体验是否适用于自己的配置。

除桌面演示外，笔记本电脑上的表现也值得关注。读者需要知道，代理运行时日常工作是否仍能保持响应。持续性任务应作为完整工作会话来评估，而不是孤立地观察某个成功生成的瞬间。

离线测试同样需要明确范围。完成设置后断开网络，可以测试本地任务是否需要远程推理；但这并不能证明所有产品功能都可离线运行，也不能证明所有后台活动都已得到刻画。

网络观察可以为任务期间尝试建立的连接提供额外证据。解读这些证据需要谨慎，因为账户检查、更新和任务处理服务于不同目的。评测者应描述自己观察到的内容，而不应附加缺乏支持的解释。

隐私宣称也需要同样克制。公告支持报道 Perplexity 对其本地模式功能的说法。独立验证则需要考察其在具有代表性的任务、设置以及切换至云端辅助等情境下的行为。

最有力的证据，应结合准确输出、易于理解的权限，以及在既定条件下可重复的行为。在此类测试出现之前，此次发布是一项已有文档记录、且具备清晰评估路径的产品宣称。它并非对每一种 Mac 工作流作出的普遍保证。

三项信号将显示本地计算有多实用

接下来的证据应证明离线完成能力、可见的云端切换，以及在受支持 Mac 上可重复的性能。

第一项信号是对完整离线工作流的独立测试。在未来几个月里，评测者应为具有代表性的任务公布输入、预期结果和产出文件。这比又一次简短演示更能增强信心。

最具参考价值的任务，将涉及足够复杂、能够暴露错误的日常工作。相互冲突的笔记、修订过的文档和不完整的指令，都是有用的挑战。它们能揭示系统会识别不确定性，还是会悄然填补缺口。

成功结果应表明，本地执行的能力不止于一条自成一体的聊天回复。如果它在应用边界反复失败，发布的实际价值就会受到限制。无论哪种结果，都能帮助用户识别合适的工作场景。

第二项信号是产品如何处理向云端辅助的转移。读者应关注产品是否清楚说明为何需要外部步骤，以及该步骤会使用哪些信息。界面应在任务进行期间让用户理解执行方式的选择。

这种可见性会强化用户能够控制处理边界的说法。令人困惑的切换或不明确的默认设置则会削弱这一点。关键在于，用户能否作出知情决策，而不必事后重构系统的行为。

这对于混合型任务尤为重要。对私密文档的审阅随后接入实时研究，会跨越一条有实际意义的边界。良好的产品设计应保留这种区分，即使整体请求听起来像是一项连续任务。

第三项信号是在受支持硬件范围内可重复的性能。独立测试应在披露条件下比较任务完成质量与工作会话中的表现。一台高配置桌面设备上的结果，不应代表所有受支持的电脑。

一致的结果会让团队更容易评估和部署该功能。不同配置之间存在巨大差异，则会使硬件指导更加重要。无论得出哪种结论，都比一句不加区分地宣称本地 AI 已经到来更有价值。

采用情况将取决于这些信号的交集。用户需要能够完成的工作、自己理解的边界，以及与其设备相适应的性能。只有一个方面表现强劲，体验中的重要部分仍将悬而未决。

目前，Mac 上的 Perplexity Computer 为执行方式提供了一项具体变化。该公司称，任务的推理过程可以留在本地输入资料旁边，并在获得授权时使用远程辅助。对于文档密集型工作而言，这是一项值得评估的重要能力。

在得出更广泛结论之前，先选择一项具有代表性的任务。使用日常工作文件的副本，明确预期输出，并决定哪些操作需要审查。将结果与源材料对比，然后在相同条件下重复该任务。如果任务需要当前信息，请考察产品如何解释这一切换。整个评估过程中，应将处理位置、准确性和应用控制视为彼此独立的问题。真正有用的问题是，Perplexity 的本地模式能否在你预期的边界内完成你的工作。先从范围明确的文档工作流开始，并评估完成的成果、所作出的更改，以及系统要求你批准的决定。