Perplexity: Decider V1.1 27B

Decider V1.1 27B is het bijgewerkte beslischeckpoint van Perplexity. Het beoordeelt aangeleverde inhoud aan de hand van een gedefinieerde vraag en produceert waarschijnlijkheden voor de geldige antwoorden. Het native artefact heeft een beslisuitleeslaag in plaats van een taalgeneratiehead over de volledige woordenschat. Het bruikbare resultaat is een begrensde beslisverdeling en het geïnterpreteerde antwoord daarop, geen open uitleg of algemeen chatantwoord.

Wat verandert in de V1.1-editie

Perplexity identificeert dit model als een update van Decider V1 27B die dezelfde basisarchitectuur behoudt, met wijzigingen in de attention-opzet en meer trainingsgegevens. De basisarchitectuur is Qwen3.8-27B. De V1.1-editie moet haar eigen naam en configuratie behouden in plaats van te worden beschreven als een uitwisselbare kopie van het eerdere checkpoint.

Toestand, vraag en geldige antwoorden

Het gepubliceerde voorbeeld levert een rij met een toestand en een getypeerde choice-vraag. De vraag bevat instructies en criteria waarvan de sleutels de semantische antwoorden zijn en de beschrijvingen definiëren wanneer elk antwoord van toepassing is. Het model voorspelt waarschijnlijkheden en daarna interpreteert de antwoordhelper van de producent die waarschijnlijkheden voor de vraag. Het inferentievoorbeeld kan een lijst rijen verwerken, met één beslissing gekoppeld aan het bewijsmateriaal en de vraag van elke rij.

Lever voor verzoekroutering het daadwerkelijke bericht en de relevante context aan en definieer vervolgens de beschikbare afdelingen of categorieën. Een illustratieve taak kan onderscheid maken tussen een integratiefout, een toegangsprobleem en een vraag om productinformatie. Maak elke beschrijving precies genoeg om een grensgeval te beslechten en bewaar de optiedefinities bij het resultaat. Een categorieverdeling kan vervolgens een routeringsbeslissing of beoordelingsstap ondersteunen wanneer alternatieven dicht bij elkaar blijven. Het gekozen modelresultaat voert de workflowactie zelf niet uit.

Tekstueel en visueel bewijsmateriaal

De native implementatie accepteert afbeeldingen naast de toestand en vraag, via afbeeldingsbestanden, afbeeldingen in het geheugen of gecodeerde afbeeldingsgegevens. Lever bij een documentafbeelding of schermafbeelding het visuele bewijsmateriaal aan en stel een gesloten vraag waarvan de opties de relevante uitkomsten beschrijven. Benoem het zichtbare kenmerk dat ertoe doet en geef de tekstcontext die nodig is om het te interpreteren. Classificeer bijvoorbeeld of een afgebeeld item bij een van de aangeleverde productcategorieën hoort in plaats van het beslismodel te vragen een volledige productbeschrijving te schrijven.

De processor behoudt de beeldverhouding tijdens het schalen en rondt afbeeldingszijden af op veelvouden van 32 pixels. Het gedocumenteerde verwerkte oppervlak begint bij 65.536 pixels en wordt begrensd door een configureerbaar maximum; de standaardwaarde is 4.194.304 pixels, of 2048 bij 2048. Elke patch van 32 bij 32 draagt één visueel token bij, dus die standaard staat maximaal 4.096 visuele tokens voor een afbeelding toe. Deze cijfers beschrijven de native afbeeldingsvoorbereiding van de producent, geen algemeen uploadcontract van een toepassing.

Gecombineerde invoerlimieten en resolutiebereik

De gedocumenteerde prepare-stap vereist dat de tekst en alle afbeeldingen in één beslissing binnen 8.192 tokens passen. Te grote invoer wordt geweigerd in plaats van stilzwijgend afgekapt. Meerdere afbeeldingen delen dat budget met de geschreven toestand en vraag. Verminder bij het voorbereiden van een gecombineerde beslissing niet-relevante brontekst of de limiet voor afbeeldingsgrootte, met behoud van het detail dat het antwoord bepaalt.

De training en gerapporteerde evaluatieopzet beperkten afbeeldingen tot 512 bij 512, overeenkomend met 262.144 pixels en maximaal 256 visuele tokens. De configureerbare inferentielimiet kan meer detail behouden, maar de kaart waarschuwt dat een hogere resolutie buiten die trainingsverdeling valt en meer geheugen en verwerkingstijd gebruikt. Een grotere afbeeldingsinstelling is daarom geen garantie voor een betere beslissing. Houd de invoervoorbereiding afgestemd op de vraag en onderzoek of het benodigde visuele kenmerk duidelijk is weergegeven.

Attention, uitleeslaag en waarschijnlijkheidskalibratie

De full-attention-lagen van het native checkpoint gebruiken een opgeslagen niet-causale attention-modus, terwijl de linear-attention-lagen hun eigen gedrag behouden. De maker stelt dat standaard causale inferentie de geëvalueerde opzet niet reproduceert. De voorspellingsimplementatie past de opgeslagen kalibratietemperatuur toe; als logits rechtstreeks worden gebruikt, wordt die temperatuur één keer toegepast en worden de waarschijnlijkheden genormaliseerd over de huidige geldige kandidaten. Die details horen bij het exacte beslisprofiel en moeten behouden blijven bij het interpreteren van de numerieke uitvoer.

De afzonderlijke beslisuitleeslaag onderscheidt dit artefact ook van een generatieve export. Een omzetting naar een generatie-interface op basis van woordenschat vereist een expliciete mapping en moet het attention-gedrag behouden. Bereid gesloten vragen voor het native beslisprofiel voor; gebruik een geschikt generatiemodel wanneer de taak chat, code, uitleg of toolverzoeken nodig heeft.

Een bruikbaar uiteindelijk artefact houdt de toestand, vraag, toegestane antwoorden en resulterende verdeling gekoppeld. Definieer de vraag rond daadwerkelijk aanwezig bewijsmateriaal, beoordeel dubbelzinnige gevallen aan de hand daarvan en gebruik gelabelde voorbeelden uit de beoogde taak om te bepalen hoe numerieke uitvoer routering of classificatie moet beïnvloeden. Het model levert besliswaarschijnlijkheden; de criteria en de omringende toepassing bepalen hoe die waarschijnlijkheden een bruikbare actie of vastgelegd label worden.