Perplexity hat Portable Computer auf den Markt gebracht, eine Version seiner Agentenplattform „Computer“, die vollständig auf Hardware läuft, die Benutzer bereits besitzen – beginnend mit Nvidias DGX Spark-Desktop-Supercomputer und Linux-Rechnern, die mit RTX-GPUs ausgestattet sind. Es wurde in enger Zusammenarbeit mit Nvidia entwickelt und am 25. August 2026 angekündigt und ist einer der bislang aggressivsten Versuche, ernsthafte Arbeitslasten von KI-Agenten aus der Cloud auf lokale Geräte zu verlagern.
Der Pitch ist einfach, aber konsequent: Das Modell, die Dateien des Benutzers und die Arbeit selbst können alle auf der Maschine bleiben. Lokal ausgeführte Arbeiten verbrauchen kein Abrechnungsguthaben, jede Aufgabe wird standardmäßig auf dem Gerät gestartet und das System bittet um Erlaubnis, bevor es einen einzelnen Schritt an ein leistungsfähigeres Grenzmodell in der Cloud sendet. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Nachrichten.
„Wir haben im Grunde genau die gleiche Benutzeroberfläche in eine vollständig lokale App gebracht“, sagte Nate, Vizepräsident für Technik für Infrastruktur und Unternehmen bei Perplexity, während einer Pressekonferenz am Montag. „Dies umfasst die gesamte Agentennutzung und -inferenz sowie alles, was für die Arbeit vor Ort erforderlich ist.“
Für Nvidia, das die letzten zwei Jahre damit verbracht hat, der Welt Billionen-Dollar-KI-Rechenzentren zu verkaufen, enthält die Ankündigung eine subtilere Botschaft: Der Chiphersteller glaubt, dass lokale KI die Schwelle von der Hobby-Neugierde zum praktischen Werkzeug überschritten hat. „Die lokale KI hat einen Wendepunkt erreicht“, sagte Nader, Nvidias Director of Developer Technology. „Lange Zeit waren es Hobbyisten und Enthusiasten, die diese quantisierten Modelle so herunterquantisierten, dass sie sehr klein waren. Und das ist zwar cool, aber nicht besonders praktisch. Aber das hat sich mit vielen dieser neuen Open-Source-Modelle geändert.“
Ein vollständiger lokaler KI-Stack in einer App
Perplexity Computer, das Cloud-Produkt, orchestriert Modelle, Dateien, Tools und Webzugriff, um mehrstufige Wissensarbeitsaufgaben zu erledigen – Dokumentenordner überprüfen, Daten analysieren und Berichte erstellen. Portable Computer repliziert dies lokal und bündelt die lokalen Modelle, die Agentennutzung, die Inferenz-Engine, Tools, App-Konnektoren und eine Sicherheitssandbox in einer einzigen Anwendung. Auf die Bündelung kommt es an: Bei den meisten lokalen KI-Stacks müssen Benutzer diese Teile heute selbst zusammenbauen – indem sie Gewichte herunterladen, einen Inferenzserver einrichten und Tools miteinander verkabeln.
In einer Pressevorführung spielte das System einen Kleinanleger, der einen Ordner mit 1099-Anleihen und Investitionsdokumenten durchsah – die Art von sensiblem Finanzmaterial, das viele Benutzer zögern würden, in einen Cloud-Dienst hochzuladen. Beim Ausführen eines 27-Milliarden-Parameter-Qwen-Modells bei voller GPU-Auslastung auf einem DGX Spark meldete der Agent Fälle, in denen der Investor unnötige Gebühren zahlte. Perplexity bemerkte, dass das Schnittstellenelement, das normalerweise Cloud-Credits zählt, „einfach auf Null geparkt“ ist.
Das Produkt ist zudem eher hybrid als hermetisch. Eine zweite Demo analysierte lokal eine CSV-Datei mit Benutzer-Trichterdaten und übermittelte die fertige Analyse dann mithilfe des Konnektor-Ökosystems von Perplexity an Slack. Das System stellt eine Verbindung zu Google Drive, Gmail und GitHub her und kann zu einem Frontier-Cloud-Modell eskalieren, wenn das lokale Modell an seine Grenzen stößt.
Anforderungen und Verfügbarkeit
Beim Start können Benutzer Qwen 3.8 27B oder PPLX 27B ausführen – eine Version, die Perplexity nachträglich auf seinem eigenen System trainiert hat – und Nvidias Nemotron 3.5 Lightning kommt bald. Das System verwendet vLLM, um darunter Inferenzen zu hosten, mit einem erweiterten Modus für Benutzer, die ihren eigenen Endpunkt anschließen möchten. Jede RTX-GPU mit mindestens 24 GB VRAM, etwa eine GeForce RTX 3090 oder neuer, überschreitet die Messlatte.
Portable Computer ist ab sofort für Pro-, Max-, Enterprise Pro- und Enterprise Max-Abonnenten unter Linux verfügbar, die Windows-Unterstützung folgt im September.
Gemeinsames Design des Modells und des Geschirrs
Parallel zur Markteinführung veröffentlichte Perplexity ein Forschungspapier, in dem es argumentierte, dass für wirksame lokale Agenten das Modell und die Agentennutzung – das Gerüst aus Eingabeaufforderungen, Werkzeugen und Orchestrierungslogik – gemeinsam entwickelt werden müssen. Allzweck-Kabelbäume gehen von Grenzmodellen aus, die enorme Kontexte aufnehmen und sich auf weitläufigen Werkzeugoberflächen zurechtfinden können; Kleine lokale Modelle knicken unter diesen Anforderungen ein. Perplexity stellte fest, dass Qwen 3.8 27B zwar ein Kontextfenster mit 260.000 Token ankündigt, ab 100.000 Token jedoch Probleme zu haben beginnt.
Die Antwort des Unternehmens ist ein bewusst minimalistischer Ansatz: eine prägnante Systemeingabeaufforderung, ein kleiner Satz Kerntools und Funktionen, die als „Skills“ bei Bedarf geladen und entladen werden. Es wandelte beliebte Konnektoren wie Gmail und GitHub von Token-hungrigen MCP-Servern in kompakte Befehlszeilentools um, fügte Selbstverifizierungs-Hooks hinzu und erzwang ein Always-on-Sandboxing auf Betriebssystemebene – wenn die Sandbox nicht verfügbar ist, deaktiviert sich das System selbst, anstatt Tools ungeschützt auszuführen.
Auffallend sind die Benchmark-Ergebnisse der Perplexity-Berichte, die allerdings auf unternehmenseigenen Auswertungen beruhen. Auf seiner internen Local Knowledge Work Bench – 53 Aufgaben, die umfassende Recherche, Finanzanalyse und Dokumentenerstellung umfassen und die Perplexity als Open Source veröffentlichen möchte – erzielte ein Computer mit Qwen 3.8 27B auf einem DGX Spark 82,6 %, verglichen mit 77,6 % für das Open-Source-Pi-Harness und 74,0 % für Hermes mit dem gleichen Modell. Perplexitys nachtrainiertes PPLX 27B steigerte die Punktzahl auf 85,4 %. Bei BrowseComp, einem Web-Recherche-Benchmark, erreichte Computer eine Genauigkeit von 66,7 % im Vergleich zu 50,2 % bei Pi und 43,9 % bei Hermes, während gleichzeitig 51 % weniger Wandzeit und 70 % weniger Token als bei Pi benötigt wurden.
Die Token Economics Driving Agents vor Ort
Die strategische Logik wird darin deutlich, wie sich die KI-Arbeitslasten verändert haben. Der Chat war überfüllt – eine Frage, eine Antwort, fertig. Agenten sind stundenlang im Einsatz. „Bei Agenten möchte man, dass diese Agenten immer aktiv sind, wenn man kann … Was wir sehen, ist eine unstillbare Nachfrage nach Token, und das ist etwas, was lokale KI so großartig macht“, sagte Nader. „Sie wurden nicht anhand des Tokens gemessen. Sie haben nicht für den Token bezahlt.“
Der hybride Mittelweg dürfte das kommerziell interessanteste Ergebnis sein. Beim Terminal Bench 2.1, einem anspruchsvollen Coding-Benchmark, erreichte das vollständig lokale Qwen-Modell 59,6 % bei praktisch null Grenzkosten. Letting it escalate to a Claude Opus 5 "advisor" in the cloud raised the score to 73.0% at an estimated $0.415 per task, while running the frontier model alone scored 82.4% at $0.65 per task. Durch die Eskalation konnten etwa drei Fünftel der Lücke zur Grenzleistung zu etwa zwei Dritteln der Kosten wettgemacht werden – und der Benutzer entscheidet, wann sich der Handel lohnt. Vor jedem Berateraufruf führt der Kabelbaum einen PII-Klassifizierer über den ausgehenden Kontext durch und zeigt dem Benutzer genau an, was das Gerät verlassen würde; Das Remote-Modell gibt nur Textanweisungen zurück und berührt niemals lokale Dateien oder Tools.
Nvidia also emphasized that the hardware scales beyond a single box: connecting two DGX Sparks over shared memory runs frontier-class open models like DeepSeek's latest, four can run GLM 5.2 or Nemotron Ultra, and Nader said he has "even seen eight Sparks get connected."
The launch extends a partnership that has been building for more than a year, after Nvidia and Perplexity announced a sovereign AI collaboration for European publishers and telecoms in June 2025. For developers weighing a DIY stack of Ollama, open harnesses, and self-hosted inference, Portable Computer's bet is that an appliance-like experience — co-designed model, harness, and sandbox — is what finally makes local agentic AI mainstream.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
