Perplexity uruchomiło 1 września 2026 roku Hybrid Compute, tryb pracy aplikacji Perplexity Computer na Maca, który dzieli jedno zadanie między model działający w chmurze a model uruchomiony lokalnie na komputerze użytkownika. O tym, co może opuścić urządzenie, decyduje bramka prywatności oparta na lokalnym klasyfikatorze danych osobowych PII-Tracer o 0,6 mld parametrów.
- Perplexity uruchomiło 1 września 2026 roku tryb Hybrid Compute w aplikacji Perplexity Computer na Maca, który dzieli pojedyncze zadanie między model chmurowy (research, planowanie, rozumowanie) a model lokalny na komputerze użytkownika (prywatne pliki, poufne dane), przy czym praca wykonana lokalnie nie zużywa kredytów chmurowych.
- Za granicę między urządzeniem a chmurą odpowiada klasyfikator PII-Tracer o 0,6 mld parametrów, który w testach osiągnął wyższy wynik F1 niż GPT-5.6 Sol i w 79,4 proc. przypadków wykrył wszystkie wystąpienia powtarzającego się identyfikatora, jednak na długich rozmowach (powyżej 10 tys. znaków) czułość w pojedynczym przebiegu spada do 0,687.
- Według badania EY „Jak polskie firmy wdrażają AI" obawy o bezpieczeństwo cyfrowe to największa bariera wdrożeń AI w Polsce (39 proc. średnich i dużych firm), a skuteczność klasyfikatora PII-Tracer na polskich danych pozostaje nieznana, ponieważ opublikowane wyniki językowe nie obejmują języka polskiego.
Perplexity pokazało działanie funkcji we wpisie na swoim profilu: twitter.com/perplexity_ai
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Zadanie startuje w chmurze, a wrażliwe kroki wykonuje Mac
Hybrid Compute rozdziela pojedyncze polecenie na dwa środowiska obliczeniowe. Model w chmurze odpowiada za research w sieci, planowanie i rozumowanie, a model lokalny na Macu pracuje z prywatnymi plikami, poufnymi danymi i działaniami wykonywanymi na urządzeniu. Perplexity Computer koordynuje całość, więc użytkownik nie musi ręcznie dzielić pracy na osobne prompty ani przenosić danych między narzędziami.
Zadanie można uruchomić z iPhone’a, podczas gdy część lokalna wykonuje się na Macu w domu lub w biurze. Perplexity opisuje przykład z branży prawniczej: model w chmurze przeszukuje orzecznictwo, a model lokalny wyciąga fakty z akt objętych tajemnicą, zamienia je w zanonimizowane pytania badawcze i aktualizuje projekt pisma na dysku użytkownika. Firma podaje też scenariusze z finansów, gdzie lokalny model porównuje poufne dokumenty transakcyjne z materiałem zebranym w sieci, oraz z reklamy, gdzie na komputerze zostają niepublikowane koncepcje kreatywne.
Funkcja jest rozwinięciem produktu Perplexity Computer, który firma pokazała 25 lutego 2026 roku i który opisywaliśmy na AIPORT.pl jako system agentowy rozdzielający podzadania między różne modele. Sam pomysł podziału obliczeń między urządzenie a serwer Perplexity zapowiedziało 2 czerwca 2026 roku na targach Computex w Tajpej, wtedy jeszcze na sprzęcie Intela i z myślą o aplikacji na Windows. Premiera wypadła ostatecznie na Macu.
Trzy modele lokalne, macOS 15 i minimum 24 GB pamięci zunifikowanej
Hybrid Compute startuje z trzema modelami lokalnymi do wyboru i działa wyłącznie na komputerach Apple z procesorami Apple Silicon. Wymagania i zakres dostępności wyglądają tak:
- modele lokalne: Gemma 4 E4B, Qwen3.6 35B-A3B oraz model Perplexity, opisany w materiałach firmy jako PPLX Qwen 3.8 27B
- system: macOS 15 lub nowszy, procesor Apple Silicon
- pamięć: minimum 24 GB pamięci zunifikowanej, 32 GB dla najlepszych rezultatów
- plany: Perplexity Pro, Max i Enterprise, przy czym Max kosztuje 200 dolarów miesięcznie
- rozliczenia: praca wykonana przez model lokalny nie zużywa kredytów chmurowych i nie wymaga klucza API
Instalacja modelu lokalnego odbywa się jednym kliknięciem w aplikacji, bez Ollamy i bez konfigurowania środowiska w terminalu. W trakcie pracy aplikacja pokazuje obciążenie procesora, układu graficznego i pamięci oraz licznik zużytych tokenów. Perplexity wskazuje przy okazji nowe Mac mini i Mac Studio, zapowiedziane przez Apple w ubiegłym tygodniu, jako sprzęt dobrze nadający się do stałego uruchamiania modelu lokalnego, sterowanego zdalnie z telefonu.
Bramka prywatności może zamaskować dane, zablokować akcję albo zapytać o zgodę
Za granicę między komputerem a chmurą odpowiada mechanizm, który Perplexity nazywa privacy gate. Klasyfikator działający na urządzeniu wyszukuje nazwiska, adresy, numery kont i sekrety, zanim tekst zostanie wysłany, a następnie dobiera zabezpieczenie: może zamaskować dane, zatrzymać je lokalnie, odmówić wykonania działania albo poprosić użytkownika o zgodę.
„Nasz działający na urządzeniu klasyfikator PII odczytuje każde zadanie na Macu, zanim zostanie ono wysłane” / „Our on-device PII classifier reads each task on the Mac before it is sent.” Firma opisuje mechanizm podstawiania: wykryte nazwiska, adresy i numery kont zastępowane są danymi zastępczymi, a po powrocie odpowiedzi z chmury wracają oryginalne wartości. Najostrzejszej ochronie podlegają poświadczenia, numery kart płatniczych i dokumenty tożsamości.
Dla firm liczy się warstwa administracyjna. W planie Enterprise administrator może ustalić reguły obowiązujące w całej organizacji: co musi zostać na Macu, co wolno zamaskować przed wysłaniem do chmury i co wymaga zgody użytkownika. Perplexity dodaje możliwość audytowania momentów, w których dane opuszczają urządzenie.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
PII-Tracer ma 0,6 mld parametrów i wygrywa z GPT-5.6 Sol w wykrywaniu powtórzeń
Perplexity Engineering opublikowało tego samego dnia opis badawczy klasyfikatora i benchmarku, na którym go testowano. PII-Tracer to dwukierunkowy enkoder o 0,6 mld parametrów, zbudowany na bazie Qwen3, z oknem 4096 tokenów i głowicą oznaczającą 37 etykiet w schemacie BIOES. Trenowano go przez trzy epoki na około 714 tys. próbek.
Benchmark PII-TRACE zawiera 13 148 syntetycznych rozmów w 13 językach i 10 systemach pisma, z 37 431 wystąpieniami identyfikatorów oznaczonymi na poziomie znaków, w dziewięciu kategoriach danych osobowych. Perplexity porównało na nim dwanaście systemów wykrywających dane osobowe. Najważniejsze wyniki:
- PII-Tracer osiągnął najwyższe F1 na poziomie znaków, 0,629, wyprzedzając modele frontier w tej metryce
- w 79,4 proc. przypadków wykrył wszystkie wystąpienia powtarzającego się identyfikatora, wobec 57,0 proc. dla GPT-5.6 Sol
- dla identyfikatorów przewijających się przez kilka tur rozmowy wynik to 77,6 proc. wobec 55,1 proc. dla GPT-5.6 Sol
- w rozmowach dłuższych niż 10 tys. znaków czułość pojedynczego przebiegu spada do 0,687
- dekodowanie z 50-procentowym nakładaniem okien podnosi ogólną czułość z 0,830 do 0,965 bez ponownego trenowania
Spadek skuteczności na długich rozmowach ma znaczenie praktyczne, bo agent pracujący nad wielogodzinnym zadaniem generuje właśnie takie konteksty. Perplexity zapowiada publikację benchmarku i modelu, choć na stronie produktowej pisze o klasyfikatorze już jako o rozwiązaniu otwartoźródłowym, przygotowanym we współpracy z Perplexity Secure Intelligence Institute.
Lokalny model w roli strażnika prywatności podoba mi się bardziej niż kolejny akapit w polityce prywatności. Różnica jest zasadnicza: tu dane fizycznie nie wychodzą z komputera, zamiast być objęte obietnicą, że nikt ich nie wykorzysta.
Mam jednak dwie wątpliwości. Pierwsza dotyczy skuteczności. Klasyfikator, który w pojedynczym przebiegu na długiej rozmowie wyłapuje niecałe 70 proc. wrażliwych fragmentów, jest pomocą, a nie zabezpieczeniem formalnym. Prawnik czy lekarz, który uzna go za spełnienie obowiązku ochrony danych, popełni błąd. Druga wątpliwość dotyczy motywacji. Perplexity ma wymierny interes w przenoszeniu części obliczeń na sprzęt klienta, bo to jego rachunek za energię i karty graficzne maleje. Argument o prywatności pozostaje prawdziwy, ale zbiega się tu wyjątkowo wygodnie z rachunkiem ekonomicznym i tak bym go czytał.
Sprawdzę tę funkcję sam, gdy tylko trafi na redakcyjnego Maca.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Perplexity nie ukrywa, że sam model w chmurze daje lepszy efekt
Jon Staff, który w Perplexity odpowiada za produkty na Maca, przyznał w rozmowie z Engadget, że wynik wypracowany w całości przez model frontier prawie zawsze wypada lepiej pod względem samego efektu pracy, bo taki model jest droższy i mocniejszy. Jego zdaniem część użytkowników nie potrzebuje jednak najlepszego dostępnego modelu, a wtedy prywatność i koszt stają się ważniejsze niż ostatnie kilka procent jakości.
„To musi działać jak suwak” / „it’s got to be a sliding scale” powiedział Staff, dodając, że użytkownik powinien sam decydować, w którym miejscu tej skali chce się znaleźć przy konkretnym rodzaju pracy, a firma będzie jedynie podpowiadać najlepsze ustawienie.
Motyw kosztowy widać też w liczbach, które Perplexity samo eksponuje. Jak relacjonował serwis Decrypt z Computex 2026, Aravind Srinivas mówił w kwietniu o wzroście przychodów firmy ze 100 mln do 500 mln dolarów przy wzroście zatrudnienia o 34 proc. Przeniesienie części wnioskowania na komputery użytkowników jest dla firmy, która nie trenuje własnych modeli frontier, jednym z niewielu sposobów na utrzymanie tej proporcji.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polskie firmy hamują wdrożenia AI z obawy o dane, a wyników dla polszczyzny zabrakło
Problem, który Perplexity próbuje rozwiązać technicznie, jest w Polsce główną barierą wdrożeń. Z badania EY „Jak polskie firmy wdrażają AI” wynika, że 39 proc. średnich i dużych firm wskazało obawy o bezpieczeństwo cyfrowe jako największą przeszkodę przy decyzji o sięgnięciu po sztuczną inteligencję. Trudności technologiczne wskazało 34 proc., niepewność regulacyjną 32 proc., a zbyt wysokie koszty 26 proc. Skala korzystania rośnie mimo tych obaw: według raportu „Uwolnienie potencjału AI w Polsce 2026″, przygotowanego przez Strand Partners na zlecenie AWS, z AI korzysta 48 proc. polskich firm wobec 34 proc. rok wcześniej.
Dla polskich kancelarii, przychodni i działów finansowych architektura, w której akta klienta nie opuszczają dysku, rozwiązuje realny problem z RODO i tajemnicą zawodową. Bramka prywatności nie zwalnia jednak z obowiązku oceny ryzyka, bo część zadania nadal trafia do amerykańskiego dostawcy, a decyzję o tym, co jest wrażliwe, podejmuje model statystyczny.
Jest też konkretna luka w tym, co Perplexity pokazało. Benchmark obejmuje 13 języków, ale opublikowany przekrój wyników językowych dotyczy sześciu: angielskiego, niemieckiego, francuskiego, włoskiego, rosyjskiego i koreańskiego. Polskiego wśród nich nie ma, więc skuteczność klasyfikatora na polskich nazwiskach, numerach PESEL czy adresach pozostaje na razie nieznana. Do czasu publikacji modelu i benchmarku nikt w Polsce nie sprawdzi tego samodzielnie.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz źródeł pierwotnych, w tym komunikatu Introducing Hybrid Compute on Mac z 1 września 2026 roku, opisu badawczego PII-TRACE opublikowanego przez Perplexity Engineering tego samego dnia oraz materiału Engadget autorstwa Igora Bonifacica. Dane o polskim rynku pochodzą z badania EY „Jak polskie firmy wdrażają AI” w relacji Biznes PAP oraz z raportu „Uwolnienie potencjału AI w Polsce 2026″ przygotowanego przez Strand Partners dla AWS. Do weryfikacji szczegółów technicznych i kontekstu wykorzystano również publikacje 9to5Mac, MacStories, Decrypt i VentureBeat oraz stronę produktową Perplexity.
Cytat Jona Staffa, odpowiedzialnego w Perplexity za produkty na komputery Mac, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o dostępności Hybrid Compute, publikacji modelu PII-Tracer i wynikach dla języka polskiego.
