Perplexity: Decider V1.1 27B

Decider V1.1 27B è il checkpoint decisionale aggiornato di Perplexity. Valuta i contenuti forniti rispetto a una domanda definita e produce probabilità sulle risposte valide. Il suo artefatto nativo dispone di una testa di lettura decisionale anziché di una testa di generazione linguistica sull'intero vocabolario. Il risultato utile è una distribuzione decisionale vincolata e la sua risposta interpretata, non una spiegazione aperta o una risposta di chat generica.

Cosa cambia nell'edizione V1.1

Perplexity identifica questo modello come un aggiornamento di Decider V1 27B che mantiene la stessa rete di base, con modifiche alla configurazione dell'attenzione e più dati di addestramento. La sua rete di base è Qwen3.8-27B. L'edizione V1.1 deve mantenere il proprio nome e la propria configurazione invece di essere descritta come una copia intercambiabile del checkpoint precedente.

Stato, domanda e risposte valide

L'esempio pubblicato fornisce una riga contenente uno stato e una domanda di scelta tipizzata. La domanda include istruzioni e criteri le cui chiavi sono le risposte semantiche e le cui descrizioni definiscono quando si applica ciascuna. Il modello prevede le probabilità, poi la funzione di risposta del produttore interpreta tali probabilità per la domanda. L'esempio di inferenza può elaborare un elenco di righe, con una decisione legata alle prove e alla domanda di ciascuna riga.

Per l'instradamento delle richieste, fornisci il messaggio effettivo e il contesto pertinente, quindi definisci i reparti o le categorie disponibili. Un'attività illustrativa potrebbe distinguere un errore di integrazione, un problema di accesso e una richiesta di informazioni sul prodotto. Rendi ogni descrizione abbastanza precisa da risolvere un caso limite e conserva le definizioni delle opzioni insieme al risultato. Una distribuzione per categorie può quindi supportare una decisione di instradamento o una fase di revisione quando le alternative restano vicine. Il risultato scelto dal modello non esegue di per sé l'azione del flusso di lavoro.

Prove testuali e visive

L'implementazione nativa accetta immagini insieme allo stato e alla domanda, tramite file immagine, immagini in memoria o dati immagine codificati. Per l'immagine di un documento o una schermata, fornisci la prova visiva e poni una domanda chiusa le cui opzioni descrivano gli esiti pertinenti. Indica la caratteristica visibile rilevante e fornisci il contesto testuale necessario per interpretarla. Ad esempio, classifica se un articolo raffigurato appartiene a una delle categorie di prodotto fornite, invece di chiedere al modello decisionale di scrivere una descrizione completa del prodotto.

Il processore mantiene le proporzioni durante il ridimensionamento e arrotonda i lati dell'immagine a multipli di 32 pixel. L'area elaborata documentata parte da 65.536 pixel ed è limitata da un massimo configurabile; il valore predefinito è 4.194.304 pixel, ovvero 2048 per 2048. Ogni riquadro di 32 per 32 contribuisce con un token visivo, quindi il valore predefinito consente fino a 4.096 token visivi per immagine. Questi valori descrivono la preparazione nativa delle immagini del produttore, non un contratto generale di caricamento per le applicazioni.

Limiti dell'input combinato e ambito della risoluzione

La fase di preparazione documentata richiede che il testo e tutte le immagini di una decisione rientrino in 8.192 token. Un input troppo grande viene rifiutato anziché troncato silenziosamente. Più immagini condividono questo budget con lo stato scritto e la domanda. Riduci il testo di origine irrilevante o il limite di dimensione delle immagini quando prepari una decisione combinata, mantenendo il dettaglio che determina la risposta.

La configurazione di addestramento e di valutazione riportata limitava le immagini a 512 per 512, corrispondenti a 262.144 pixel e fino a 256 token visivi. Il limite configurabile in inferenza può conservare più dettagli, ma la scheda avverte che una risoluzione più alta è al di fuori di quella distribuzione di addestramento e richiede più memoria e tempo di elaborazione. Un'impostazione di immagine più grande non garantisce quindi una decisione migliore. Mantieni la preparazione dell'input coerente con la domanda e verifica che la caratteristica visiva necessaria sia rappresentata chiaramente.

Attenzione, testa di lettura e calibrazione delle probabilità

I livelli ad attenzione completa del checkpoint nativo usano una modalità di attenzione non causale salvata, mentre i livelli ad attenzione lineare mantengono il proprio comportamento. Il produttore afferma che l'inferenza causale predefinita non riproduce la configurazione valutata. La sua implementazione della previsione applica la temperatura di calibrazione salvata; se si usano direttamente i logit, tale temperatura viene applicata una sola volta e le probabilità vengono normalizzate sui candidati validi correnti. Questi dettagli appartengono all'esatto profilo decisionale e vanno preservati quando si interpretano i suoi output numerici.

La testa di lettura decisionale separata distingue inoltre questo artefatto da un'esportazione generativa. Una conversione verso un'interfaccia di generazione basata sul vocabolario richiede una mappatura esplicita e deve preservare il comportamento dell'attenzione. Prepara domande chiuse per il profilo decisionale nativo; usa un modello di generazione adatto quando l'attività richiede chat, codice, spiegazioni o richieste di strumenti.

Un artefatto finale utile mantiene associati lo stato, la domanda, le risposte consentite e la distribuzione risultante. Definisci la domanda in base alle prove effettivamente presenti, esamina i casi ambigui rispetto a tali prove e usa esempi etichettati dell'attività prevista per decidere come gli output numerici debbano influire sull'instradamento o sulla classificazione. Il modello fornisce probabilità decisionali; i criteri e l'applicazione circostante determinano come tali probabilità diventino un'azione utile o un'etichetta registrata.