← Главная новостей | Торговый зал
2026-11-13 · Источник:MarkTechPost

Perplexity представила новую версию открытого семейства решающих моделей Decider v1.3: извлечение точных фрагментов текста по символьным смещениям, применение для NER и обнаружения PII, лицензия Apache 2.0.
Perplexity выпустила новую версию семейства открытых решающих моделей — Decider v1.3 и Decider Flash v1.3. В отличие от генеративных больших моделей, Decider не создаёт текст, а отвечает на входные тексты или изображения на вопросы типа «да/нет», с множественным выбором и с оценкой по шкале, возвращая вероятности для каждого варианта; каждый запрос содержит одно общее состояние и набор вопросов — подход, идейно близкий к Jev от TypeSafe. Новая версия построена на Qwen3.8-27B (на Hugging Face указано 26B), версия Flash — на Qwen3.5-4B (указано 5B).
Главной новой функцией v1.3 стала локализация текста Locate: извлечение точных фрагментов текста по коротким меткам или свободным инструкциям с указанием начального и конечного символьных смещений. Функция ориентирована на распознавание именованных сущностей (NER), обнаружение конфиденциальных данных PII и извлекающий ответ на вопросы; работает только с текстовым вводом. Технически для каждого поля добавляется отдельный токен locate, внешний «головной» модуль для интервалов и LoRA-адаптер, при этом основа и решающие головы остаются замороженными; адаптер намеренно не сливается с моделью — слияние ухудшает точность решений. В бенчмарках Locate в среднем набирает 69,0 балла (Flash — 63,6), значительно превосходя GLiNER large v2.5 с 33,6, однако это самый слабый аспект v1.3.
С точки зрения архитектуры команда превратила генеративную LLM в классификатор: LM-голова усечена до одних лишь токенов вариантов, линейная решающая голова считывает скрытые состояния в позициях токенов и выдаёт вероятности, а слои полного внимания переведены на двунаправленный режим (абляции показали пользу этого шага); в v1.3 также изменено кросс-вопросное внимание — общее состояние видно всем вопросам, но вопросы невидимы друг для друга, при этом все вопросы по-прежнему обрабатываются за один прямой проход. Обучение шло в три этапа: полная донастройка на публичных данных, LoRA-специализация и LoRA-адаптация для изображений; веса усреднены по 3 случайным сидам. Flash обучена дистилляцией от большой модели с использованием KL-дивергенции.
Официальные заявленные бенчмарки: средняя точность 91,6% на классификации запросов по 63 задачам; среднее nDCG@10 83,99 по 72 задачам поиска и реранкинга с преимуществом над Qwen3-Reranker-8B и Jev 1.14; многоязычная точность 88,16% по 19 задачам на 8 языках (Flash — 86,50%, у Jev — 85,41%); классификация изображений — 76,99%; согласованность с вердиктами судей на базе фронтирных LLM на 1 млн реальных запросов и более 2,3 млн вопросов — 93,98%; по устойчивости доля переворотов ответа составляет всего 0,27% (у Jev 1.14 — от 2,69% до 4,84%). Flash уступает Jev на задачах в сферах финансов, программирования и права.
Веса опубликованы на Hugging Face под лицензией Apache 2.0, также модель доступна через Perplexity Decisions API и OpenRouter. Для локального развёртывания нужен CUDA GPU: BF16-веса v1.3 занимают около 49 GiB, Flash — около 8,5 GiB; ввод через API — до примерно 256K токенов (локально по умолчанию 32768). Тарификация: вход — 0,02 доллара за миллион токенов (Flash — 0,01 доллара), вывод бесплатный, около 26,47 доллара за миллион продукционных запросов — менее половины цены Jev 1.14 (68,10 доллара). Рекомендация разработчиков: для решений с детализированными критериями используйте v1.3, для маршрутизации, классификации и извлечения при высоких нагрузках — Flash. Стоит учитывать, что все результаты заявлены самим разработчиком.
萬安算交所 AIXX · AIXX · Верифицированная биржа · В торговый зал