Perplexity: Decider V1.1 27B

Decider V1.1 27B ist Perplexitys aktualisierter Entscheidungs-Checkpoint. Er bewertet bereitgestellte Inhalte anhand einer definierten Frage und erzeugt Wahrscheinlichkeiten für die gültigen Antworten. Sein natives Artefakt besitzt eine Entscheidungsauslesekomponente statt eines Sprachgenerierungskopfes über das vollständige Vokabular. Das nützliche Ergebnis ist eine begrenzte Entscheidungsverteilung und ihre interpretierte Antwort, keine offene Erklärung und keine allgemeine Chatantwort.

Änderungen in der Ausgabe V1.1

Perplexity bezeichnet dieses Modell als Aktualisierung von Decider V1 27B, die dieselbe Grundarchitektur beibehält, mit Änderungen am Attention-Aufbau und mehr Trainingsdaten. Seine Grundarchitektur ist Qwen3.8-27B. Die Ausgabe V1.1 sollte ihren eigenen Namen und ihre eigene Konfiguration behalten, statt als austauschbare Kopie des früheren Checkpoints beschrieben zu werden.

Zustand, Frage und gültige Antworten

Das veröffentlichte Beispiel liefert eine Zeile mit einem Zustand und einer typisierten choice-Frage. Die Frage enthält Anweisungen und Kriterien, deren Schlüssel die semantischen Antworten sind und deren Beschreibungen festlegen, wann jede zutrifft. Das Modell sagt Wahrscheinlichkeiten voraus; anschließend interpretiert die Antwort-Hilfsfunktion des Anbieters diese Wahrscheinlichkeiten für die Frage. Das Inferenzbeispiel kann eine Liste von Zeilen verarbeiten, wobei jede Entscheidung mit den Belegen und der Frage ihrer Zeile verknüpft ist.

Stellen Sie für die Anfrageweiterleitung die tatsächliche Nachricht und relevanten Kontext bereit und definieren Sie anschließend die verfügbaren Abteilungen oder Kategorien. Eine beispielhafte Aufgabe könnte einen Integrationsfehler, ein Zugangsproblem und eine Produktinformationsanfrage unterscheiden. Gestalten Sie jede Beschreibung präzise genug, um einen Grenzfall zu klären, und bewahren Sie die Optionsdefinitionen beim Ergebnis. Eine Kategorieverteilung kann dann eine Weiterleitungsentscheidung oder einen Prüfschritt unterstützen, wenn Alternativen nahe beieinanderbleiben. Das gewählte Modellergebnis führt die Workflow-Aktion nicht selbst aus.

Text- und Bildbelege

Die native Implementierung akzeptiert Bilder neben Zustand und Frage, über Bilddateieingaben, Bilder im Arbeitsspeicher oder kodierte Bilddaten. Stellen Sie bei einem Dokumentbild oder Screenshot die visuellen Belege bereit und stellen Sie eine geschlossene Frage, deren Optionen die relevanten Ergebnisse beschreiben. Benennen Sie das wichtige sichtbare Merkmal und liefern Sie den zu dessen Interpretation nötigen Textkontext. Klassifizieren Sie beispielsweise, ob ein abgebildeter Gegenstand zu einer der bereitgestellten Produktkategorien gehört, statt das Entscheidungsmodell eine vollständige Produktbeschreibung schreiben zu lassen.

Der Prozessor erhält beim Skalieren das Seitenverhältnis und rundet Bildseiten auf Vielfache von 32 Pixeln. Die dokumentierte verarbeitete Fläche beginnt bei 65.536 Pixeln und ist durch ein konfigurierbares Maximum begrenzt; dessen Standard beträgt 4.194.304 Pixel oder 2048 mal 2048. Jeder 32-mal-32-Patch trägt ein visuelles Token bei, sodass dieser Standard bis zu 4.096 visuelle Tokens für ein Bild erlaubt. Diese Zahlen beschreiben die native Bildvorbereitung des Anbieters, keinen allgemeinen Upload-Vertrag einer Anwendung.

Kombinierte Eingabegrenzen und Auflösungsumfang

Der dokumentierte prepare-Schritt verlangt, dass Text und sämtliche Bilder einer Entscheidung zusammen in 8.192 Tokens passen. Übergroße Eingaben werden zurückgewiesen statt stillschweigend gekürzt. Mehrere Bilder teilen dieses Budget mit dem schriftlichen Zustand und der Frage. Reduzieren Sie bei der Vorbereitung einer kombinierten Entscheidung irrelevanten Quelltext oder die Bildgrößengrenze und bewahren Sie dabei das Detail, das die Antwort bestimmt.

Im Training und im berichteten Bewertungsaufbau waren Bilder auf 512 mal 512 begrenzt, entsprechend 262.144 Pixeln und bis zu 256 visuellen Tokens. Die konfigurierbare Inferenzgrenze kann mehr Details erhalten, doch die Karte warnt, dass höhere Auflösung außerhalb dieser Trainingsverteilung liegt und mehr Speicher sowie Verarbeitungszeit benötigt. Eine größere Bildeinstellung garantiert daher keine bessere Entscheidung. Halten Sie die Eingabevorbereitung zur Frage passend und prüfen Sie, ob das benötigte visuelle Merkmal deutlich repräsentiert wird.

Attention, Auslesekomponente und Wahrscheinlichkeitskalibrierung

Die Full-Attention-Schichten des nativen Checkpoints verwenden einen gespeicherten nichtkausalen Attention-Modus, während seine Linear-Attention-Schichten ihr eigenes Verhalten beibehalten. Der Hersteller erklärt, dass kausale Standardinferenz den bewerteten Aufbau nicht reproduziert. Seine Vorhersageimplementierung wendet die gespeicherte Kalibrierungstemperatur an; werden Logits direkt verwendet, wird diese Temperatur einmal angewendet und die Wahrscheinlichkeiten werden über die aktuell gültigen Kandidaten normalisiert. Diese Details gehören zu dem konkreten Entscheidungsprofil und sollten bei der Interpretation seiner numerischen Ausgaben bewahrt werden.

Die separate Entscheidungsauslesekomponente unterscheidet dieses Artefakt auch von einem generativen Export. Die Umwandlung in eine vokabularbasierte Generierungsschnittstelle erfordert eine ausdrückliche Zuordnung und muss das Attention-Verhalten bewahren. Bereiten Sie geschlossene Fragen für das native Entscheidungsprofil vor; verwenden Sie ein geeignetes Generierungsmodell, wenn die Aufgabe Chat, Code, Erklärungen oder Werkzeuganforderungen benötigt.

Ein nützliches abschließendes Artefakt hält Zustand, Frage, zulässige Antworten und resultierende Verteilung miteinander verknüpft. Definieren Sie die Frage anhand tatsächlich vorhandener Belege, prüfen Sie mehrdeutige Fälle anhand dieser Belege und entscheiden Sie mithilfe gekennzeichneter Beispiele aus der vorgesehenen Aufgabe, wie numerische Ausgaben Weiterleitung oder Klassifikation beeinflussen sollen. Das Modell liefert Entscheidungswahrscheinlichkeiten; die Kriterien und die umgebende Anwendung bestimmen, wie daraus eine nützliche Aktion oder protokollierte Bezeichnung wird.