Perplexity: Decider V1.1 27B

Decider V1.1 27B är Perplexitys uppdaterade beslutscheckpoint. Den utvärderar angivet innehåll mot en definierad fråga och producerar sannolikheter över de giltiga svaren. Dess inbyggda artefakt har en beslutsavläsning i stället för ett språkgenereringshuvud över hela vokabulären. Det användbara resultatet är en avgränsad beslutsfördelning och dess tolkade svar, inte en öppen förklaring eller ett allmänt chattsvar.

Vad som ändras i utgåvan V1.1

Perplexity anger att modellen är en uppdatering av Decider V1 27B som behåller samma ryggrad, med ändringar i attention-uppsättningen och mer träningsdata. Ryggraden är Qwen3.8-27B. Utgåvan V1.1 ska behålla sitt eget namn och sin egen konfiguration i stället för att beskrivas som en utbytbar kopia av den tidigare checkpointen.

Tillstånd, fråga och giltiga svar

Det publicerade exemplet anger en rad som innehåller ett tillstånd och en typad valfråga. Frågan innehåller instruktioner och kriterier vars nycklar är de semantiska svaren och vars beskrivningar anger när vart och ett gäller. Modellen förutsäger sannolikheter, och sedan tolkar producentens svarshjälpfunktion dessa sannolikheter för frågan. Inferensexemplet kan bearbeta en lista med rader, där ett beslut är kopplat till varje rads underlag och fråga.

För routning av förfrågningar anger du det faktiska meddelandet och relevant kontext och definierar sedan vilka avdelningar eller kategorier som finns. En illustrativ uppgift kan skilja mellan ett integrationsfel, ett åtkomstproblem och en förfrågan om produktinformation. Gör varje beskrivning tillräckligt exakt för att avgöra ett gränsfall, och behåll alternativens definitioner tillsammans med resultatet. En kategorifördelning kan då stödja ett routningsbeslut eller ett granskningssteg när alternativen ligger nära varandra. Modellens valda resultat utför inte i sig åtgärden i arbetsflödet.

Text- och bildunderlag

Den inbyggda implementationen tar emot bilder tillsammans med tillståndet och frågan, i form av bildfiler, bilder i minnet eller kodade bilddata. För en dokumentbild eller skärmbild anger du det visuella underlaget och ställer en sluten fråga vars alternativ beskriver de relevanta utfallen. Peka ut den synliga egenskap som spelar roll och ange den textkontext som behövs för att tolka den. Klassificera till exempel om ett avbildat föremål tillhör en av de angivna produktkategorierna i stället för att be beslutsmodellen skriva en fullständig produktbeskrivning.

Processorn bevarar bildförhållandet vid storleksändring och avrundar bildsidorna till multiplar av 32 pixlar. Den dokumenterade bearbetade ytan börjar på 65 536 pixlar och begränsas av ett konfigurerbart maximum; standardvärdet är 4 194 304 pixlar, eller 2048 gånger 2048. Varje block på 32 gånger 32 bidrar med en visuell token, så standardvärdet tillåter upp till 4 096 visuella token per bild. Dessa siffror beskriver producentens inbyggda bildförberedelse, inte ett allmänt uppladdningskontrakt för applikationer.

Kombinerade indatagränser och upplösningsomfång

Det dokumenterade förberedelsesteget kräver att texten och alla bilder i ett beslut ryms inom 8 192 token. För stor indata avvisas i stället för att tyst trunkeras. Flera bilder delar den budgeten med det skrivna tillståndet och frågan. Minska irrelevant källtext eller taket för bildstorlek när du förbereder ett kombinerat beslut, men behåll de detaljer som avgör svaret.

Träningsuppsättningen och den rapporterade utvärderingsuppsättningen begränsade bilderna till 512 gånger 512, vilket motsvarar 262 144 pixlar och upp till 256 visuella token. Det konfigurerbara inferenstaket kan bevara fler detaljer, men modellkortet varnar för att högre upplösning ligger utanför träningsfördelningen och kräver mer minne och bearbetningstid. En större bildinställning garanterar alltså inte ett bättre beslut. Håll indataförberedelsen konsekvent med frågan och kontrollera att den visuella egenskap som behövs återges tydligt.

Attention, avläsning och sannolikhetskalibrering

Den inbyggda checkpointens lager med full attention använder ett sparat icke-kausalt attention-läge, medan dess lager med linjär attention behåller sitt eget beteende. Tillverkaren anger att standardmässig kausal inferens inte återskapar den utvärderade uppsättningen. Dess prediktionsimplementation tillämpar den sparade kalibreringstemperaturen; om logits används direkt tillämpas temperaturen en gång och sannolikheterna normaliseras över de aktuella giltiga kandidaterna. Dessa detaljer hör till den exakta beslutsprofilen och ska bevaras när dess numeriska utdata tolkas.

Den separata beslutsavläsningen skiljer också denna artefakt från en generativ export. En konvertering till ett vokabulärbaserat genereringsgränssnitt kräver en uttrycklig mappning och måste bevara attention-beteendet. Förbered slutna frågor för den inbyggda beslutsprofilen; använd en lämplig genereringsmodell när uppgiften kräver chatt, kod, förklaringar eller verktygsförfrågningar.

En användbar slutlig artefakt håller ihop tillståndet, frågan, de tillåtna svaren och den resulterande fördelningen. Definiera frågan utifrån underlag som faktiskt finns, granska tvetydiga fall mot det underlaget och använd märkta exempel från den avsedda uppgiften för att avgöra hur numeriska utdata ska påverka routning eller klassificering. Modellen levererar beslutssannolikheter; kriterierna och den omgivande applikationen avgör hur dessa sannolikheter blir en användbar åtgärd eller en registrerad etikett.