Perplexity: Decider V1.1 27B

Decider V1.1 27B er Perplexitys opdaterede beslutningscheckpoint. Den vurderer indsendt indhold ud fra et defineret spørgsmål og producerer sandsynligheder for de gyldige svar. Dens native modelartefakt har en beslutningsudlæsning frem for et sproggenereringshoved med fuldt ordforråd. Det nyttige resultat er en afgrænset beslutningsfordeling og dens fortolkede svar, ikke en åben forklaring eller et generelt chatsvar.

Hvad ændres i V1.1-udgaven

Perplexity beskriver modellen som en opdatering af Decider V1 27B, der bevarer samme grundmodel, men ændrer attention-opsætningen og bruger flere træningsdata. Grundmodellen er Qwen3.8-27B. V1.1-udgaven bør bevare sit eget navn og sin egen konfiguration frem for at blive beskrevet som en udskiftelig kopi af det tidligere checkpoint.

Tilstand, spørgsmål og gyldige svar

Det offentliggjorte eksempel angiver en række med en tilstand og et typet choice-spørgsmål. Spørgsmålet indeholder instruktioner og kriterier, hvis nøgler er de semantiske svar, og hvis beskrivelser definerer, hvornår de hver især gælder. Modellen forudsiger sandsynligheder, og producentens svarhjælpefunktion fortolker derefter disse sandsynligheder for spørgsmålet. Inferenseksemplet kan behandle en liste af rækker med én beslutning knyttet til hver rækkes evidens og spørgsmål.

Ved routing af anmodninger skal du indsende den faktiske besked og relevant kontekst og derefter definere de tilgængelige afdelinger eller kategorier. En eksempelopgave kan skelne mellem en integrationsfejl, et adgangsproblem og en anmodning om produktoplysninger. Gør hver beskrivelse tilstrækkeligt præcis til at afgøre et grænsetilfælde, og bevar svarmulighedernes definitioner sammen med resultatet. En kategorifordeling kan derefter understøtte en routingbeslutning eller et gennemgangstrin, når alternativerne fortsat ligger tæt. Modellens valgte resultat udfører ikke i sig selv arbejdsgangens handling.

Tekstlig og billedbaseret evidens

Den native implementering accepterer billeder sammen med tilstanden og spørgsmålet via billedfilinput, billeder i hukommelsen eller kodede billeddata. For et dokumentbillede eller skærmbillede skal du indsende den visuelle evidens og stille et lukket spørgsmål, hvis svarmuligheder beskriver de relevante udfald. Identificér det synlige træk, der har betydning, og angiv den tekstkontekst, der er nødvendig for at fortolke det. Klassificér eksempelvis, om en afbildet vare tilhører en af de angivne produktkategorier, frem for at bede beslutningsmodellen skrive en komplet produktbeskrivelse.

Processoren bevarer billedformatet under størrelsesændring og afrunder billedsider til multipla af 32 pixels. Det dokumenterede behandlede areal begynder ved 65.536 pixels og begrænses af et konfigurerbart maksimum; standarden er 4.194.304 pixels, eller 2048 gange 2048. Hvert felt på 32 gange 32 pixels bidrager med én visuel token, så denne standard tillader op til 4.096 visuelle tokens for et billede. Tallene beskriver producentens native billedforberedelse og ikke en generel uploadkontrakt for applikationer.

Samlede inputgrænser og opløsningens rammer

Det dokumenterede prepare-trin kræver, at teksten og alle billeder i én beslutning kan være inden for 8.192 tokens. For stort input afvises frem for at blive afkortet stiltiende. Flere billeder deler budgettet med den skriftlige tilstand og spørgsmålet. Reducér irrelevant kildetekst eller grænsen for billedstørrelse ved forberedelse af en kombineret beslutning, men bevar den detalje, der afgør svaret.

Træningsopsætningen og den rapporterede evaluering begrænsede billeder til 512 gange 512, svarende til 262.144 pixels og op til 256 visuelle tokens. Den konfigurerbare inferensgrænse kan bevare flere detaljer, men modelkortet advarer om, at højere opløsning ligger uden for denne træningsfordeling og bruger mere hukommelse og behandlingstid. En større billedindstilling er derfor ikke en garanti for en bedre beslutning. Hold inputforberedelsen i overensstemmelse med spørgsmålet, og undersøg, om det nødvendige visuelle træk er tydeligt repræsenteret.

Attention, udlæsning og sandsynlighedskalibrering

Det native checkpoints full-attention-lag bruger en gemt ikke-kausal attention-tilstand, mens dets linear-attention-lag bevarer deres egen adfærd. Producenten oplyser, at standardmæssig kausal inferens ikke genskaber den evaluerede opsætning. Dets implementering af forudsigelse anvender den gemte kalibreringstemperatur; hvis logits bruges direkte, anvendes denne temperatur én gang, og sandsynlighederne normaliseres over de aktuelle gyldige kandidater. Disse detaljer tilhører den præcise beslutningsprofil og bør bevares ved fortolkning af dens numeriske output.

Den særskilte beslutningsudlæsning adskiller også denne modelartefakt fra en generativ eksport. En konvertering til en ordforrådsbaseret genereringsgrænseflade kræver en eksplicit mapping og skal bevare attention-adfærden. Forbered lukkede spørgsmål til den native beslutningsprofil; brug en passende genereringsmodel, når opgaven kræver chat, kode, forklaringer eller værktøjsanmodninger.

Et nyttigt endeligt resultat bevarer tilknytningen mellem tilstanden, spørgsmålet, de tilladte svar og den resulterende fordeling. Definér spørgsmålet ud fra evidens, der faktisk er til stede, gennemgå tvetydige tilfælde ud fra denne evidens, og brug mærkede eksempler fra den tilsigtede opgave til at afgøre, hvordan numeriske output skal påvirke routing eller klassifikation. Modellen leverer beslutningssandsynligheder; kriterierne og den omgivende applikation afgør, hvordan sandsynlighederne bliver til en nyttig handling eller en registreret etiket.