AREX Feed Article
Perplexity 推出 hybrid compute：Mac 本地模型处理私密文件，PII 分类器同日开源
北京时间 9 月 1 日 23:04，Perplexity 官方 X 账号宣布在 Perplexity Computer 中推出 hybrid compute（混合计算）：任务先在云端启动，涉及私密文件或敏感数据的步骤，改由运行在用户 Mac 上的本地模型处理，云端与本地模型的工作合并为单一输出，官方称敏感数据全程不会上传到服务器。
功能即日起向 Perplexity Pro、Max 与 Enterprise 订阅用户开放，适用于 macOS 15+ 的 Perplexity Mac 应用；同一时间，Perplexity 还宣布开源设备端 PII（个人身份信息，personally identifiable information）检测分类器，并附上研究博客与 Hugging Face 模型页链接。以上功能描述均出自 Perplexity 官方口径。
搜索规划在云端，私密文件不出 Mac
分工方式是：云端模型负责搜索、规划与推理，Mac 上的本地模型处理私密文件、敏感信息与设备端操作，Perplexity Computer 负责编排整条流程，用户不需要把任务拆成多次提问，也不必在工具之间搬运数据。
博客进一步说明，隐私门（privacy gate）在 Mac 上控制什么可以离开设备：在受保护文件的信息到达云端之前，它可以打码敏感细节、把内容留在本地、拒绝动作，或请求用户同意。
产品页演示了一个具体场景：任务读取 Meridian_notes.pdf 后，隐私门发现文件中包含 1 个姓名、1 个电子邮件地址和 1 个电话号码，用户可以选择「在我的 Mac 上处理」、「仍然上传」或「仅发送替代值」；选择替代值时，姓名、地址和账号会先被替换成占位值，答案返回后再还原。
任务还可以从 iPhone 触发，Mac 在本地执行敏感步骤；9to5Mac 引用产品页称，本地模型承担的工作不消耗云端额度，也不需要 API key。博客称，希望随时随地访问本地推理的用户，可以专门用一台常开的 Mac mini 运行 Perplexity Computer，并从 iPhone 远程控制。
隐私门在敏感内容离机前拦截 PII
官方推文的口径是：Mac 上的隐私门会在 PII 离开设备之前检测到它，用户可以选择本地运行该步骤、把文件发送到云端，或者完全跳过。
支撑这套拦截的是设备端分类器。博客称它能识别姓名、地址、账号与密钥等敏感细节；凭证、支付卡号和政府证件号受到最严格的保护，隐私门可将其留在本地、拒绝动作，或改写请求，让云端模型在缺失这些信息的情况下继续工作。 产品页显示，该分类器与 Perplexity 安全智能研究院（Secure Intelligence Institute）合作训练，并已开源。
开源落地在 Hugging Face。模型页 perplexity-ai/pplx-pii-masking 显示，这是一个约 6 亿参数、基于 Qwen3 的双向编码器，带两个输出头：一个 37 类 BIOES（序列标注方案）标签头，覆盖 9 类 PII（人名、账号、地址、邮箱、电话等）；一个对话级敏感度头。解码用受限 Viterbi（维特比）算法输出字符级 span（文本片段），最长支持 4,096 个 token（词元）的上下文。 权重公开后，外界可以自行检查它如何判定敏感内容，而不必只依赖 Perplexity 的自述。
重复出现的姓名，才是检测的难点
与分类器一同发布的是研究博客 PII-TRACE: Detecting Personal Data Before It Leaves a Device。Perplexity 研究团队称，在长对话中同一个标识符可能多次出现，「漏掉一次提及，就可能让系统本想保护的信息泄露出去」；而且一个名字在某个对话里指用户本人，在另一个对话里可能只是公众人物，单看字符串本身无法判断该不该拦截。
为了测出这种能力，团队构建了 PII-TRACE 基准：13,148 段合成人机对话，覆盖 13 种语言、10 种书写系统，共 37,431 处标识符提及、9 类 PII；在 5,645 段含标注 PII 的对话中，63.8% 包含出现多次的标识符，28.7% 的标识符跨轮次出现。
配套的 PII-Tracer 是 0.6B 参数的双向编码器，在约 71.4 万个训练样本上训练 3 轮。按 Perplexity 研究团队自报的评测：它在 12 个被测系统中字符级 F1 最高（0.629），能完整找到 79.4% 的重复标识符的全部提及，而云端前沿模型 GPT-5.6-sol 只有 57.0%；在 ai4privacy、Nemotron-PII、SPY、Gretel PII 与 TAB 五个外部基准上，字符级 F1 均高于 OpenAI 开源的 Privacy Filter，ai4privacy 上 0.950 对 0.907，TAB 上 0.594 对 0.350。
这些数字全部来自 Perplexity 自己的评测口径，不属于独立第三方的验证结果。研究博客文末还写道，PII-TRACE 基准与 PII-Tracer 模型「将很快发布」；推文与产品页则称分类器当日开源，目前 Hugging Face 上可下载的是这套权重。
24GB 内存起步，三款本地模型可选
运行 hybrid compute 的门槛是：任意 Apple silicon Mac、macOS 15+、至少 24GB 统一内存。 9to5Mac 引用产品页补充说，32GB 内存体验更佳，本地模型一键下载，不需要 Ollama 或手动配置运行时。
首发三款本地模型：Gemma 4 E4B、Qwen3.6 35B-A3B 和一款 Perplexity 自研模型，产品页演示中出现的本地模型是 PPLX Qwen 3.8 27B。 设置流程为：安装最新版 Mac 应用，一键下载本地模型，在模型选择器里选 Hybrid，再为任务指定本地与云端模型。
企业版提供组织级控制。Perplexity 称，Enterprise 订阅的管理员可以设置组织级规则，规定哪些内容必须留在 Mac、哪些可以在打码后进入云端、哪些需要用户批准才能上传，并审计信息何时离开设备，面向法务、医疗、金融等团队。 博客给出了三个行业场景：投资团队在云端汇总公开申报材料与可比交易数据，本地模型交叉核对机密交易文件，提取关键条款与财务假设，并标记与网络研究不一致之处；律师在网上检索判例，本地模型从特权文件中提取事实、转成匿名化研究问题、更新草稿；广告公司用本地模型比对草稿创意与云端调研到的受众趋势。
博客还提到，苹果上周发布的新款 Mac mini 与 Mac Studio 是运行 hybrid compute 的理想平台；9to5Mac 报道称，苹果在 M6 Mac mini 发布会上把 Perplexity Personal Computer 列为生产力用例。
8 月 Portable Computer 已经走通全本地路线
hybrid compute 不是 Perplexity 第一次把计算放到用户设备上。Perplexity Computer 于 2026 年 2 月 25 日发布；4 月公司宣布 Personal Computer，让 Computer 直接在 Mac 上操作本地文件与工具，5 月 7 日向所有 Mac 用户开放。
8 月 25 日，Perplexity 又在 NVIDIA DGX Spark 上发布了 Portable Computer，这是一个完全本地版运行时，编排模型、子代理模型与智能体框架全部跑在本地硬件上，不依赖云端；同日发布的研究称，设备端 27B 模型在真实知识工作评测中拿到 82.6%，后训练的 PPLX 27B 达到 85.4%。
9to5Mac 指出，Perplexity 早在 6 月就预告过把 AI 任务拆分到本地与云端模型的工作。 hybrid compute 与 Portable Computer 的区别在于：它不要求任务整体本地化，而是按步骤路由，哪些步骤碰私密文件就留在 Mac，其余交给云端前沿模型。
质疑集中在一点：谁来判定「敏感」
主推文发布 22 秒后，Perplexity 联合创始人兼 CEO Aravind Srinivas 发出同题推文：「为所有 Perplexity Mac 应用用户推出 hybrid compute，让 Computer 能够编排在 Mac 上本地运行的模型，尤其是涉及敏感与私密文件（比如体检报告、纳税申报、诉讼材料）的智能体（agent）步骤。」 截至北京时间 9 月 2 日凌晨检索时，CEO 这条推文已有约 15.5 万次浏览，官方主推文约 7.2 万次浏览、700 余次点赞。
评论区里，质疑集中在「什么算敏感」的判定上。自称从事科技与金融内容创作的 X 用户 Ricci Research（@ricci_nov）写道：「隐私承诺成败在路由器，而不是本地模型。云端必须在看到数据之前决定『这一步是否触及敏感数据』。分类器只要错一次，整个架构就只是一次带营销包装的普通 API 调用。」
中文开发者圈同样把注意力放在分类器上。自称每天用 AI 写代码、深度使用 Claude Code 与 Codex 的工程师 lifcc（@mylifcc）评论说，开源这个 0.6B 的「闸门」是正确做法，他最担心的是长任务里重复出现的标识符：同一个客户端，8 轮之后，换了个说法的同一串信息，还能不能被抓住。
还有用户把问题推得更远：即使模型不接收 PII，支撑任务的底层工具会不会把数据送到云端？ 官方当天发布的内容没有正面回答这个问题。分类器开源让这场争论变得可以检验，任何人都能下载权重，用自己的数据实测它的判定边界。在独立第三方评测出现之前，hybrid compute 的隐私承诺，取决于这枚 0.6B 分类器在每次路由前的判定。