方向是「云端往下调」，和上周那个反过来
这里有个容易搞混的地方：Perplexity 上周在 NVIDIA DGX Spark 上推的是 local compute——从用户硬件起头、需要时往上调云端。这次 Mac 上的 Hybrid Compute 方向相反：任务从云端开始，把最重的推理、检索和规划留在那里，只在某一步涉及敏感信息时把它交给本地模型。 关键设计在于「同一个任务里中途切换」，用户不切模式、不重启、也不用自己管交接。另一个副作用是成本：本地推理承担较轻的工作，不消耗 Computer 额度，相关数据也留在 Mac 上。
Privacy Gate 是这套东西的核心
真正决定这个方案成不成立的不是本地模型有多强，而是那个判断器准不准。Perplexity 训练了一个在本地运行的 Privacy Gate，用来识别姓名、地址、账号、密钥这类敏感信息，命中后给出四种处置之一：留在本地、遮蔽敏感片段、拒绝、或询问用户是否同意；凭据、支付卡号和政府证件号走最严格的一档。被遮蔽的值在出站时换成占位符，云端答案回来后再还原。 值得一提的是这个分类器被开源了：PII-Tracer 是一个 0.6B 的双向编码器，从 Qwen3 骨干改造而来。对做同类隐私分流的团队，这比产品本身更有参考价值——它把「什么算敏感」这个判断做成了一个可以被检查和替换的独立组件，而不是藏在提示词里的一段规则。
门槛和边界
需要 Pro、Max 或企业订阅，任一 Apple 芯片的 Mac、macOS 15 以上、至少 24GB 统一内存，官方称 32GB 效果最好。不需要装 Ollama 或手工配置运行时。任务跑起来后，应用里会显示本地的 CPU、GPU、内存占用和消耗的 token 数。 首发三个本地模型：Gemma 4 E4B、Qwen3.6 35B-A3B，以及第三个——Perplexity 自己对 Qwen3.6 35B 做后训练的版本，后续还会加。产品页的引导流程指向一键下载 PPLX Qwen 3.8 27B，Perplexity 的 Hugging Face 组织下有对应构建。 对读者的实际含义：这是目前少数把「哪些数据不出本机」做成产品内可见机制、而不是一句隐私承诺的方案。要评估的话，值得重点测的是 Privacy Gate 的误报和漏报——漏报意味着敏感内容照样上云，误报则会把本该云端处理的步骤压到本地模型上，直接影响结果质量。这两类错误的实际比例，官方没有公布数字。
via: Perplexity 官方博客、Perplexity 产品页、MarkTechPost、The New Stack