Perplexity: Decider V1.1 27B

Decider V1.1 27B to zaktualizowany punkt kontrolny Perplexity do podejmowania decyzji. Ocenia dostarczoną treść względem zdefiniowanego pytania i wytwarza prawdopodobieństwa dopuszczalnych odpowiedzi. Jego natywny artefakt ma moduł odczytu decyzji zamiast głowicy generowania języka obejmującej pełny słownik. Użyteczny wynik to ograniczony rozkład decyzyjny i zinterpretowana odpowiedź, a nie otwarte wyjaśnienie lub ogólna odpowiedź na czacie.

Co zmienia się w wydaniu V1.1

Perplexity określa ten model jako aktualizację Decider V1 27B zachowującą tę samą architekturę bazową, ze zmianami konfiguracji uwagi i większą ilością danych treningowych. Jego podstawą jest Qwen3.8-27B. Wydanie V1.1 powinno zachować własną nazwę i konfigurację, zamiast być przedstawiane jako zamienna kopia wcześniejszego punktu kontrolnego.

Stan, pytanie i dopuszczalne odpowiedzi

Opublikowany przykład dostarcza wiersz ze stanem i typowanym pytaniem choice. Pytanie zawiera instrukcje i kryteria, których klucze są odpowiedziami semantycznymi, a opisy określają, kiedy każda z nich ma zastosowanie. Model przewiduje prawdopodobieństwa, a następnie funkcja pomocnicza producenta interpretuje je dla danego pytania. Przykład inferencji może przetwarzać listę wierszy, wiążąc jedną decyzję z materiałem i pytaniem każdego wiersza.

Do kierowania zgłoszeń podaj rzeczywistą wiadomość i istotny kontekst, a następnie zdefiniuj dostępne działy lub kategorie. Przykładowe zadanie może odróżniać awarię integracji, problem z dostępem i prośbę o informacje o produkcie. Każdy opis powinien być dostatecznie precyzyjny, by rozstrzygnąć przypadek graniczny; zachowaj definicje opcji z wynikiem. Rozkład kategorii może wtedy wspierać decyzję o kierowaniu lub etap przeglądu, gdy alternatywy pozostają bliskie. Wynik wybrany przez model sam nie wykonuje działania w procesie.

Materiał tekstowy i obrazowy

Natywna implementacja przyjmuje obrazy obok stanu i pytania, jako pliki obrazów, obrazy w pamięci lub zakodowane dane obrazu. W przypadku obrazu dokumentu lub zrzutu ekranu dostarcz materiał wizualny i zadaj zamknięte pytanie z opcjami opisującymi istotne wyniki. Wskaż widoczną cechę, która ma znaczenie, i podaj kontekst tekstowy potrzebny do jej interpretacji. Na przykład klasyfikuj, czy pokazany przedmiot należy do jednej z dostarczonych kategorii produktów, zamiast prosić model decyzyjny o napisanie pełnego opisu produktu.

Procesor zachowuje proporcje podczas zmiany rozmiaru i zaokrągla boki obrazu do wielokrotności 32 pikseli. Udokumentowana przetworzona powierzchnia zaczyna się od 65 536 pikseli i jest ograniczona konfigurowalnym maksimum; domyślnie wynosi ono 4 194 304 piksele, czyli 2048 na 2048. Każdy fragment 32 na 32 wnosi jeden token wizualny, więc to ustawienie domyślne pozwala na maksymalnie 4 096 tokenów wizualnych dla obrazu. Liczby te opisują natywne przygotowanie obrazów u producenta, a nie ogólny kontrakt przesyłania plików w aplikacji.

Łączne limity wejścia i zakres rozdzielczości

Udokumentowany krok prepare wymaga, aby tekst i wszystkie obrazy jednej decyzji mieściły się w 8 192 tokenach. Zbyt duże wejście jest odrzucane, zamiast być po cichu przycinane. Kilka obrazów współdzieli ten budżet z zapisanym stanem i pytaniem. Przygotowując łączną decyzję, ogranicz nieistotny tekst źródłowy lub limit rozmiaru obrazu, zachowując szczegół decydujący o odpowiedzi.

Konfiguracja treningu i raportowanej ewaluacji ograniczała obrazy do 512 na 512, czyli 262 144 pikseli i maksymalnie 256 tokenów wizualnych. Konfigurowalny limit inferencji może zachować więcej szczegółów, lecz karta ostrzega, że większa rozdzielczość wykracza poza rozkład treningowy i wymaga więcej pamięci oraz czasu przetwarzania. Większy rozmiar obrazu nie gwarantuje zatem lepszej decyzji. Przygotowuj wejście zgodnie z pytaniem i sprawdzaj, czy potrzebna cecha wizualna jest wyraźnie reprezentowana.

Mechanizm uwagi, odczyt i kalibracja prawdopodobieństw

Warstwy pełnej uwagi natywnego punktu kontrolnego korzystają z zapisanego nieprzyczynowego trybu uwagi, a warstwy uwagi liniowej zachowują własne działanie. Producent podaje, że domyślna inferencja przyczynowa nie odtwarza ocenianej konfiguracji. Implementacja predykcji stosuje zapisaną temperaturę kalibracji; jeśli używa się bezpośrednio logits, temperatura jest stosowana raz, a prawdopodobieństwa normalizowane względem aktualnych dopuszczalnych kandydatów. Szczegóły te należą do konkretnego profilu decyzyjnego i należy je zachować przy interpretacji jego liczbowych wyników.

Osobny odczyt decyzji odróżnia również ten artefakt od eksportu generatywnego. Konwersja do interfejsu generowania opartego na słowniku wymaga jawnego mapowania i musi zachować działanie uwagi. Przygotowuj zamknięte pytania dla natywnego profilu decyzyjnego; użyj odpowiedniego modelu generatywnego, gdy zadanie wymaga czatu, kodu, wyjaśnień lub żądań użycia narzędzi.

Użyteczny artefakt końcowy zachowuje powiązanie stanu, pytania, dozwolonych odpowiedzi i wynikowego rozkładu. Zdefiniuj pytanie wokół rzeczywiście obecnego materiału, sprawdzaj niejednoznaczne przypadki w jego świetle i używaj oznaczonych przykładów z docelowego zadania, by ustalić wpływ wyników liczbowych na kierowanie lub klasyfikację. Model dostarcza prawdopodobieństwa decyzji; kryteria i otaczająca aplikacja określają, jak stają się one użytecznym działaniem lub zapisaną etykietą.