Perplexity: Decider V1.1 27B

Decider V1.1 27B adalah checkpoint keputusan Perplexity yang diperbarui. Model mengevaluasi konten yang diberikan berdasarkan pertanyaan yang ditetapkan dan menghasilkan probabilitas untuk jawaban yang valid. Artefak bawaannya memiliki komponen pembacaan keputusan, bukan kepala pembangkitan bahasa dengan seluruh kosakata. Hasil yang berguna adalah distribusi keputusan yang dibatasi dan jawaban hasil penafsirannya, bukan penjelasan terbuka atau respons percakapan umum.

Perubahan pada edisi V1.1

Perplexity mengidentifikasi model ini sebagai pembaruan Decider V1 27B yang mempertahankan backbone yang sama, dengan perubahan pengaturan atensi dan lebih banyak data pelatihan. Backbone-nya adalah Qwen3.8-27B. Edisi V1.1 harus mempertahankan nama dan konfigurasinya sendiri, bukan digambarkan sebagai salinan checkpoint sebelumnya yang dapat saling dipertukarkan.

Keadaan, pertanyaan, dan jawaban valid

Contoh yang diterbitkan menyediakan satu baris berisi keadaan dan pertanyaan choice bertipe. Pertanyaan mencakup instruksi dan kriteria yang kuncinya menjadi jawaban semantik, dengan deskripsi yang menentukan kapan masing-masing berlaku. Model memprediksi probabilitas, lalu fungsi bantu jawaban produsen menafsirkan probabilitas tersebut untuk pertanyaan. Contoh inferensi dapat memproses daftar baris, dengan satu keputusan yang terikat pada bukti dan pertanyaan setiap baris.

Untuk pengarahan permintaan, berikan pesan sebenarnya dan konteks yang relevan, lalu tetapkan departemen atau kategori yang tersedia. Contoh tugas dapat membedakan kegagalan integrasi, masalah akses, dan permintaan informasi produk. Buat setiap deskripsi cukup tepat untuk memutuskan kasus di dekat batas kategori, serta simpan definisi opsi bersama hasilnya. Distribusi kategori kemudian dapat mendukung keputusan pengarahan atau tahap peninjauan ketika alternatif memiliki nilai yang berdekatan. Hasil yang dipilih model tidak dengan sendirinya menjalankan tindakan alur kerja.

Bukti teks dan gambar

Implementasi bawaan menerima gambar bersama keadaan dan pertanyaan melalui masukan berkas gambar, gambar dalam memori, atau data gambar terenkode. Untuk gambar dokumen atau tangkapan layar, berikan bukti visual dan ajukan pertanyaan tertutup dengan opsi yang menjelaskan hasil yang relevan. Identifikasi ciri terlihat yang penting dan berikan konteks teks yang dibutuhkan untuk menafsirkannya. Misalnya, klasifikasikan apakah barang dalam gambar termasuk salah satu kategori produk yang diberikan, bukan meminta model keputusan menulis deskripsi produk lengkap.

Prosesor mempertahankan rasio aspek saat mengubah ukuran dan membulatkan panjang sisi gambar ke kelipatan 32 piksel. Luas hasil pemrosesan yang didokumentasikan dimulai pada 65.536 piksel dan dibatasi oleh maksimum yang dapat dikonfigurasi; nilai bawaannya 4.194.304 piksel, atau 2048 kali 2048. Setiap petak 32 kali 32 menyumbang satu token visual, sehingga nilai bawaan tersebut memungkinkan hingga 4.096 token visual untuk satu gambar. Angka ini menjelaskan persiapan gambar bawaan produsen, bukan kontrak unggah aplikasi umum.

Batas masukan gabungan dan cakupan resolusi

Tahap prepare yang didokumentasikan mensyaratkan teks dan seluruh gambar dalam satu keputusan muat dalam 8.192 token. Masukan yang terlalu besar ditolak, bukan diam-diam dipotong. Beberapa gambar berbagi jatah tersebut dengan keadaan tertulis dan pertanyaan. Kurangi teks sumber yang tidak relevan atau batas ukuran gambar saat menyiapkan keputusan gabungan, sambil mempertahankan detail yang menentukan jawaban.

Pengaturan pelatihan dan evaluasi yang dilaporkan membatasi gambar hingga 512 kali 512, setara 262.144 piksel dan hingga 256 token visual. Batas inferensi yang dapat dikonfigurasi dapat mempertahankan lebih banyak detail, tetapi kartu model memperingatkan bahwa resolusi lebih tinggi berada di luar distribusi pelatihan tersebut dan menggunakan lebih banyak memori serta waktu pemrosesan. Karena itu, pengaturan gambar lebih besar bukan jaminan keputusan lebih baik. Jaga persiapan masukan selaras dengan pertanyaan dan periksa apakah ciri visual yang diperlukan terwakili dengan jelas.

Atensi, pembacaan keputusan, dan kalibrasi probabilitas

Lapisan atensi penuh checkpoint bawaan menggunakan mode atensi nonkausal yang tersimpan, sedangkan lapisan atensi linearnya mempertahankan perilakunya sendiri. Pembuat menyatakan bahwa inferensi kausal bawaan tidak mereproduksi pengaturan yang dievaluasi. Implementasi prediksinya menerapkan suhu kalibrasi yang tersimpan; jika logit digunakan langsung, suhu tersebut diterapkan sekali dan probabilitas dinormalisasi terhadap kandidat valid saat ini. Detail ini milik profil keputusan yang tepat tersebut dan harus dipertahankan saat menafsirkan keluaran numeriknya.

Komponen pembacaan keputusan yang terpisah juga membedakan artefak ini dari ekspor generatif. Konversi ke antarmuka pembangkitan berbasis kosakata memerlukan pemetaan eksplisit dan harus mempertahankan perilaku atensi. Siapkan pertanyaan tertutup untuk profil keputusan bawaan; gunakan model pembangkitan yang sesuai ketika tugas membutuhkan percakapan, kode, penjelasan, atau permintaan alat.

Artefak akhir yang berguna menjaga hubungan keadaan, pertanyaan, jawaban yang diizinkan, dan distribusi hasilnya. Definisikan pertanyaan berdasarkan bukti yang benar-benar ada, tinjau kasus ambigu berdasarkan bukti tersebut, dan gunakan contoh berlabel dari tugas tujuan untuk menentukan bagaimana keluaran numerik memengaruhi pengarahan atau klasifikasi. Model memberikan probabilitas keputusan; kriteria dan aplikasi di sekelilingnya menentukan bagaimana probabilitas menjadi tindakan yang berguna atau label yang tercatat.