Perplexity: Sonar Pro Search
Perplexity: Sonar Pro Search est un LLM édité par Perplexity et sorti le 30 octobre 2025. Son profil se distingue surtout par une fenêtre de contexte de 200 000 tokens, un format adapté aux traitements longs dans la limite des informations disponibles.
Perplexity: Sonar Pro Search est un LLM édité par Perplexity et sorti le 30 octobre 2025. Son profil se distingue surtout par une fenêtre de contexte de 200 000 tokens, un format adapté aux traitements longs dans la limite des informations disponibles.
Le modèle se place sur un tarif d’entrée de 3 $ par million de tokens et 15 $ en sortie. Son prix reste classé dans la moyenne, tout en étant supérieur à celui des LLM similaires et nettement inférieur à celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Perplexity |
| Date de sortie | 30 octobre 2025 |
| Multimodal | oui |
| Fenêtre de contexte | 200 000 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 99,0 % | 114ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 98,0 % | 143ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 92,0 % | 80ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 92,0 % | 92ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 80,0 % | 178ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 74,0 % | 135ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 73,0 % | 247ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 60,0 % | 142ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Ethics (Baseline)
Benchable : General Knowledge (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Perplexity | 3 $ | 15 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 54 % au-dessus de la moyenne des LLM similaires, et 1,6 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,18 $ |
| Latence moyenne par benchmark — Benchable | 13 min 00 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Perplexity: Sonar Pro Search affiche ses meilleurs résultats Benchable sur Ethics (Baseline) et General Knowledge (Baseline), deux domaines où il se situe dans une zone haute du classement sans atteindre les tout premiers rangs. Les scores en Coding (Baseline) et Mathematics (Baseline) restent solides, avec des positions plus favorables que sur le raisonnement pur. La grande fenêtre de contexte constitue aussi un atout concret pour analyser des entrées volumineuses, notamment des dossiers longs, des bases documentaires ou des échanges étendus. Le positionnement tarifaire ajoute un avantage relatif face aux modèles haut de gamme, avec un coût annoncé environ 1,6 fois inférieur.
Limites et points d'attention. Le point faible le plus visible concerne Hallucinations (Baseline), où le classement est nettement moins favorable que sur les connaissances générales ou le code. Reasoning (Baseline) apparaît également plus moyen, ce qui invite à distinguer les tâches de restitution ou de traitement de documents des tâches exigeant une chaîne logique robuste. Le tarif, bien que dans la moyenne globale, reste 54% au-dessus de la moyenne des LLM similaires, ce qui réduit l’intérêt économique pour les usages très volumétriques. Le profil convient surtout aux cas où une large fenêtre de contexte prime sur l’optimisation maximale du coût ou du raisonnement.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).