Portable Computer 登陆 DGX Spark：Perplexity 把整个智能体栈搬到了本地

Perplexity 于 8 月 25 日宣布推出 Portable Computer，这是 Perplexity Computer 的全本地版本：orchestrator LLM、subagent LLM、agent harness 组成的整个运行时都跑在用户自己的 NVIDIA DGX Spark 上，官方称「无云端依赖」。

约三分钟后，发文介绍这个面向 DGX Spark 的 local-first 智能体栈，称其提供一键式本地推理设置和优化的智能体体验。NVIDIA 同日在其中补充：本地、私密的工作流不计入 token 限额。

运行时全在本地，上云先问用户

Perplexity 对「全本地」的定义是整条运行时链：orchestrator LLM、subagent LLM、agent harness 全部落在本地硬件上，不再依赖云端。唯一的例外是前沿推理：当任务需要 frontier 模型的推理能力时，orchestrator 会先征求用户批准，再把任务路由到云端的 frontier 模型。

隐私控制写进了产品描述：user-gated（用户门控）、PII-flagged（PII 标记）、仅文本指导，敏感文档留在设备端。ZDNet 援引 Perplexity 技术博客称：「Perplexity Portable Computer 是一个 local-first agent。敏感数据未经许可不会离开设备，本地模型不产生推理费用：这个系统在构造上就是私密且省钱的。」

NVIDIA 博客给出了这套设计的分工：本地模型用于日常任务，云端模型用于复杂工作，用户可以切换；本地运行不消耗 token 限额。

PPLX 27B 打底，Nemotron Lightning 在路上

模型侧，Portable Computer 运行经后训练并本地安装的 PPLX 27B，Qwen 3.8 27B 同样可选，NVIDIA Nemotron 3.5 Lightning 的支持「即将推出」。 NVIDIA 博客称本地体验来自「经专门后训练的 Qwen 3.8 27B」；ZDNet 则把 PPLX 27B 描述为 Qwen 3.8 27B 的后训练版本，Perplexity 对所有本地模型做后训练以提升准确率和效率。

硬件绑定明确。NVIDIA 博客称本地能力针对 DGX Spark 做了优化：快速的大模型推理、24×7 常开运行，适合长时间自治智能体；GeForce RTX 与 RTX PRO GPU 支持「即将到来」，Windows 与 DGX Station 支持也在开发中。按 ZDNet 的报道，Linux 端需要 DGX Spark 或带 NVIDIA RTX GPU 的 Linux 机器（DGX OS 或 Ubuntu，ARM 或 x64）；Windows 端要求至少 24GB 显存的 NVIDIA RTX 显卡。

从二月的云端 Computer 到八月的本地版

Portable Computer 是 Perplexity Computer 产品线的新版本。Perplexity Computer（Personal Computer）今年 2 月上线，运行在云端；ZDNet 称，新版本旨在消除云端 AI 的短板。近一个月，Perplexity 一直在给云端 Computer 接入模型：7 月 28 日加入 Kimi K3， 8 月 6 日接入 GPT 5.6 Terra 与 Luna， 8 月 13 日加入 Grok 4.6， 8 月 18 日加入美国托管的 DeepSeek V4 Pro。

NVIDIA 于 8 月 11 日启动 Local AI 博客系列，主题是开源模型与智能体在个人硬件上的本地运行；8 月 25 日，该系列新增 Perplexity Portable Computer 章节。同一天，Perplexity 的智能体栈以全本地形态落地。

只对 Pro 和 Max 开放，先要有 DGX Spark

Portable Computer 即日起向所有拥有 DGX Spark 的 Perplexity Pro 与 Max 订阅用户开放，上手页面也已上线（）。ZDNet 补充称 Enterprise Pro 与 Enterprise Max 订阅也在列，免费用户不可用；目前仅支持 Linux，Windows 支持预计 9 月到来。

真正的门槛在硬件。一名用户算了笔账：DGX Spark 约 4,000 美元，「等这套东西跑在 32GB 内存的游戏机上，才是它走向主流的那天」。按 ZDNet 的说法，24GB 显存的 RTX 显卡至少 1,500 美元。

第一批用户：有人这周就试，有人嫌 27B 不够用

发布后的回复区里，创业者 Greg Isenberg（@gregisenberg，约 69 万粉丝）留言「太棒了，这周就在我的 DGX Spark 上试试」。用户 OJ 的观点是：「整个运行时本地化、包括 orchestrator，这一点改变了你愿意让它接触什么。敏感文档不出这台机器，比每秒多几个 token 更值钱。」也有用户当场追问会不会出 macOS 版。

怀疑的声音指向模型能力。用户 Creed Hardcastle 直言「本地 AI 的硬件还是太差，Qwen 27B 干不了什么正事，我们都活在泡沫里，早了两三年」。用户 saietta 点出这套设计的实际边界：「27B 本地 orchestrator 处理常规 agent 循环没问题，但值得升级到 GPT-5.5 或 Opus 的任务，恰恰是本地模型力不从心的那部分。云端依赖在简单任务上消失了，在最需要它的地方原样保留。」

这套「上云逃生舱」机制留下一个待验证的问题：orchestrator 会在多大比例的任务上开口要批准，只有用户在自己的 DGX Spark 上跑起来才知道。