Perplexity 开源 Decider v1.3:63 项任务准确率 91.6%

11 月 13 日,Perplexity 发布 Decider v1.3 和 Flash v1.3 两个开源权重的决策模型。与常规对话模型不同,这两个模型返回的是概率而不是文本。1.3 版本新增了 Locate 能力,用于从长文本中抽取指定片段,在 63 项查询分类任务上报告了 91.6% 的平均准确率。

概率输出比文本更省事

返回概率这件事在实际系统里很有用。上层程序可以直接读这个概率决定要不要继续追问、要不要转人工、要不要触发第二套校验,而不是去解析模型吐出来的一段话再猜它的置信度。Flash 版本走的是更低成本的路线,适合放进量大但单次判断价值不高的环节,比如工单分流和内容预筛。同一套接口两种尺寸,也让工程团队可以在召回和精度之间做取舍,不必为不同环节各调一套模型,部署时按场景换尺寸就行。

Locate 把定位任务一并做了

1.3 版本补上的 Locate 能力,可以在指定范围内把证据片段直接摘出来。这意味着同一个模型既能给判断,也能给依据,判断和证据来自一次调用,不用再跑一次检索。跟同样面向决策任务的 Gemini Decisions API 单次判定 1000 题 放在一起看更清楚,后者走的是云端 API 加按量计费的路线,Decider 走的是开放权重加自部署。


开放权重的决策模型,收益在于判定逻辑能留在自己手里。

全部文章归档与模型专题