Perplexity: Decider V1.1 27B

O Decider V1.1 27B é o ponto de verificação de decisão atualizado da Perplexity. Avalia o conteúdo fornecido face a uma pergunta definida e produz probabilidades sobre as respostas válidas. O seu artefacto nativo tem uma camada de leitura de decisão, em vez de uma cabeça de geração de linguagem sobre o vocabulário completo. O resultado útil é uma distribuição de decisão delimitada e a respetiva resposta interpretada, e não uma explicação aberta nem uma resposta de conversa genérica.

O que muda na edição V1.1

A Perplexity identifica este modelo como uma atualização do Decider V1 27B que mantém a mesma arquitetura base, com alterações na configuração da atenção e mais dados de treino. A sua arquitetura base é o Qwen3.8-27B. A edição V1.1 deve manter o seu próprio nome e configuração, em vez de ser descrita como uma cópia intercambiável do ponto de verificação anterior.

Estado, pergunta e respostas válidas

O exemplo publicado fornece uma linha que contém um estado e uma pergunta de escolha tipada. A pergunta inclui instruções e critérios cujas chaves são as respostas semânticas e cujas descrições definem quando cada uma se aplica. O modelo prevê probabilidades e, em seguida, a função auxiliar de respostas do produtor interpreta essas probabilidades para a pergunta. O exemplo de inferência pode processar uma lista de linhas, com uma decisão associada à evidência e à pergunta de cada linha.

Para o encaminhamento de pedidos, forneça a mensagem real e o contexto relevante e, em seguida, defina os departamentos ou categorias disponíveis. Uma tarefa ilustrativa pode distinguir uma falha de integração, um problema de acesso e um pedido de informação sobre o produto. Torne cada descrição suficientemente precisa para resolver um caso limítrofe e conserve as definições das opções com o resultado. Uma distribuição de categorias pode então suportar uma decisão de encaminhamento ou um passo de revisão quando as alternativas continuam próximas. O resultado escolhido pelo modelo não executa, por si só, a ação do fluxo de trabalho.

Evidência em texto e imagem

A implementação nativa aceita imagens juntamente com o estado e a pergunta, através de ficheiros de imagem, imagens em memória ou dados de imagem codificados. Para a imagem de um documento ou uma captura de ecrã, forneça a evidência visual e faça uma pergunta fechada cujas opções descrevam os resultados relevantes. Identifique a característica visível que importa e forneça o contexto textual necessário para a interpretar. Por exemplo, classifique se um artigo representado pertence a uma das categorias de produto fornecidas, em vez de pedir ao modelo de decisão que escreva uma descrição completa do produto.

O processador preserva a proporção durante o redimensionamento e arredonda os lados da imagem para múltiplos de 32 píxeis. A área processada documentada começa em 65.536 píxeis e é limitada por um máximo configurável; o valor predefinido é 4.194.304 píxeis, ou 2048 por 2048. Cada bloco de 32 por 32 contribui com um token visual, pelo que esse valor predefinido permite até 4.096 tokens visuais por imagem. Estes números descrevem a preparação nativa de imagens do produtor, e não um contrato geral de carregamento de uma aplicação.

Limites de entrada combinada e âmbito da resolução

O passo de preparação documentado exige que o texto e todas as imagens de uma decisão caibam em 8.192 tokens. Uma entrada demasiado grande é rejeitada, e não truncada silenciosamente. Várias imagens partilham esse orçamento com o estado e a pergunta escritos. Reduza o texto de origem irrelevante ou o limite de tamanho das imagens ao preparar uma decisão combinada, conservando o detalhe que determina a resposta.

A configuração de treino e de avaliação reportada limitou as imagens a 512 por 512, o que corresponde a 262.144 píxeis e até 256 tokens visuais. O limite configurável na inferência pode conservar mais detalhe, mas a ficha do modelo avisa que uma resolução mais alta fica fora dessa distribuição de treino e utiliza mais memória e tempo de processamento. Uma definição de imagem maior não é, portanto, garantia de uma decisão melhor. Mantenha a preparação da entrada coerente com a pergunta e verifique se a característica visual necessária está representada com clareza.

Atenção, camada de leitura e calibração de probabilidades

As camadas de atenção completa do ponto de verificação nativo utilizam um modo de atenção não causal guardado, enquanto as camadas de atenção linear mantêm o seu próprio comportamento. O fabricante afirma que a inferência causal predefinida não reproduz a configuração avaliada. A sua implementação de previsão aplica a temperatura de calibração guardada; se os logits forem utilizados diretamente, essa temperatura é aplicada uma vez e as probabilidades são normalizadas sobre os candidatos válidos atuais. Estes detalhes pertencem ao perfil de decisão exato e devem ser preservados ao interpretar as suas saídas numéricas.

A camada de leitura de decisão separada também distingue este artefacto de uma exportação generativa. Uma conversão para uma interface de geração baseada em vocabulário precisa de um mapeamento explícito e tem de preservar o comportamento da atenção. Prepare perguntas fechadas para o perfil de decisão nativo; utilize um modelo de geração adequado quando a tarefa exigir conversa, código, explicações ou pedidos de ferramentas.

Um artefacto final útil mantém associados o estado, a pergunta, as respostas permitidas e a distribuição resultante. Defina a pergunta em torno da evidência efetivamente presente, reveja os casos ambíguos face a essa evidência e utilize exemplos etiquetados da tarefa pretendida para decidir como as saídas numéricas devem influenciar o encaminhamento ou a classificação. O modelo fornece probabilidades de decisão; os critérios e a aplicação envolvente determinam como essas probabilidades se tornam uma ação útil ou uma etiqueta registada.