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.
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.
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.
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.
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.
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.
", "aboutText": "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.\n\n### O que muda na edição V1.1\n\nA 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.\n\n### Estado, pergunta e respostas válidas\n\nO 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.\n\nPara 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.\n\n### Evidência em texto e imagem\n\nA 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.\n\nO 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.\n\n### Limites de entrada combinada e âmbito da resolução\n\nO 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.\n\nA 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.\n\n### Atenção, camada de leitura e calibração de probabilidades\n\nAs 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.\n\nA 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.\n\nUm 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "45f8db2820be5c80cf01fc2f3aedf508b49518e3139d945bcb0a067af066cd11", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "perplexity/pplx-decider-v1.1-27bO Decider V1.1 27B da Perplexity avalia um estado e uma pergunta fornecidos e devolve probabilidades para as respostas permitidas. O seu ponto de verificação de decisão nativo suporta texto e imagens, com uma camada de leitura dedicada e limites documentados de preparação da entrada, em vez de um contrato de geração de texto livre.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
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.
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.
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.
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.
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.
POST /v1/systemonetext, imagedecisions| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites perplexity/pplx-decider-v1.1-27b | Predefinição— |
Campoprovider | Tiposchema | RequisitoOpcional | Valores e limites | Predefinição— |
Campoquestions | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
Camposession_id | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campostate | Tiposchema | RequisitoObrigatório | Valores e limites | Predefinição— |
Campotrace | Tiposchema | RequisitoOpcional | Valores e limites | Predefinição— |
Campouser | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campoquestions.<id>.type | Tipostring | RequisitoObrigatório | Valores e limites noul, choice, score | Predefinição— |
Campoquestions.<id>.instructions | Tipostring|object|array | RequisitoObrigatório | Valores e limites | Predefinição— |
Campoquestions.<id>.criteria | Tipoobject|array | RequisitoOpcional | Valores e limites Condições: choice/score: obrigatório; noul: opcional. Os critérios de choice são um objeto; score é uma matriz com minItems1. | Predefinição— |
Campoquestions.<id>.criteria.true | Tipostring|object|array | RequisitoObrigatório | Valores e limites Aplica-se quando: Objeto de critérios noul fornecido | Predefinição— |
Campoquestions.<id>.criteria.false | Tipostring|object|array | RequisitoObrigatório | Valores e limites Aplica-se quando: Objeto de critérios noul fornecido | Predefinição— |
noul · Obrigatório: state, questions.<id>.type=noul, questions.<id>.instructions
choice · Obrigatório: state, questions.<id>.type=choice, questions.<id>.instructions, criteria object
score · Obrigatório: state, questions.<id>.type=score, questions.<id>.instructions, criteria array with minItems1
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, state, questions |
Parâmetromaterial_types | Contratotext, image |
Parâmetrooptional_controls | Contratoprovider, session_id, trace, user |
Parâmetromultimodal_input_binding | ContratoUtilize apenas a representação exata declarada de estado/documento. A capacidade de imagens do fabricante, por si só, não estabelece uma forma aceite de transmitir imagens específica do modelo. |
Ciclo de vida: synchronous
Envie o ID exato do modelo e conserve a resposta nativa completa.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00004 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.00004 / 1K tokens Saída · Tokens de saída $0 / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "perplexity/pplx-decider-v1.1-27b",\n "questions": {\n "is_bug": {\n "criteria": {\n "false": "The customer is asking a question or requesting a feature.",\n "true": "The customer describes broken or unexpected product behavior."\n },\n "instructions": "Is the customer reporting a software defect?",\n "type": "noul"\n },\n "team": {\n "criteria": {\n "account": "Login, permissions, or profile issues.",\n "frontend": "Rendering, layout, or browser compatibility issues.",\n "payments": "Checkout, billing, or payment processing issues."\n },\n "instructions": "Which team should own this ticket?",\n "type": "choice"\n },\n "urgency": {\n "criteria": [\n "Can wait for the next release",\n "Should be fixed this week",\n "Blocking revenue right now"\n ],\n "instructions": "How urgent is this ticket?",\n "type": "score"\n }\n },\n "state": {\n "customer_tier": "enterprise",\n "ticket": "My checkout page shows a blank screen after I click Pay. I have tried two browsers."\n }\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_REQUEST_FILE:?Set your actual JSON request file}"\nexport AILOOT_REQUEST_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads(Path(os.environ['AILOOT_REQUEST_FILE']).read_text(encoding='utf-8'))\nif not isinstance(p,dict): raise SystemExit('Request must be a JSON object')\np['model']='perplexity/pplx-decider-v1.1-27b'\nPath('request.json').write_text(json.dumps(p,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/systemone \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path('result.json').read_text()),ensure_ascii=False,indent=2))\nPY_RESULT\njson
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
É conservada cada resposta fornecida a um ID de pergunta, com o respetivo tipo exato, valor noul/choice/score, confiança, probabilidades e legenda. O JSON original completo é armazenado e devolvido apenas após a liquidação.
Conserve a operação original e a resposta completa/parcial; não repita o POST.
| Campo | Tipo |
|---|---|
Campomodel | Tipostring |
Campoid | Tipostring |
Campoprovider | Tipostring |
Campoanswers.<id>.type | Tipostring |
Campoanswers.<id>.noul | Tiponumber |
Campoanswers.<id>.choice | Tipostring |
Campoanswers.<id>.score | Tiponumber |
Campoanswers.<id>.confidence | Tiponumber |
Campoanswers.<id>.probabilities | Tipoobject |
Campoanswers.<id>.legend | Tipoobject |
Campousage.input_tokens | Tipointeger |
Campousage.output_tokens | Tipointeger |
Campousage.cost | Tiponumber |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampo obrigatório, representação ou valor inválido | Passo seguinteCorrija o campo indicado no pedido. |
Ailoot Ultra perplexity/pplx-decider-v1.1-27b
Use os caminhos dos métodos indicados acima.