2026-11-13 · Fuente:MarkTechPost

Perplexity publica Decider v1.3, su familia de modelos de decisión open source: extrae fragmentos exactos por offsets de caracteres, útil para NER y detección de PII, bajo licencia Apache 2.0.
Perplexity ha publicado la nueva versión de su familia de modelos de decisión open source: Decider v1.3 y Decider Flash v1.3. A diferencia de los grandes modelos generativos, Decider no produce texto, sino que responde preguntas de sí/no, de opción múltiple y de puntuación sobre entradas de texto o imagen, devolviendo la probabilidad de cada opción etiquetada; cada petición incluye un estado compartido más varias preguntas, en la misma línea que Jev de TypeSafe. La nueva versión se basa en Qwen3.8-27B (etiquetado como 26B en Hugging Face), y la versión Flash en Qwen3.5-4B (etiquetado 5B).
La función estrella de v1.3 es Locate, la localización de texto: extrae fragmentos exactos según etiquetas cortas o instrucciones libres y ofrece los offsets de caracteres de inicio y fin, orientado a reconocimiento de entidades nombradas (NER), detección de información sensible (PII) y preguntas extractivas, solo para entrada de texto. En la implementación, cada campo añade un token locate, junto con una cabecera de intervalos y un adaptador LoRA, manteniendo congelados el backbone y las cabeceras de decisión; los adaptadores no se combinan deliberadamente, ya que fusionarlos perjudica la precisión de decisión. En los benchmarks, Locate promedia 69.0 puntos (Flash 63.6), muy por encima de los 33.6 de GLiNER large v2.5, aunque sigue siendo la faceta más débil de v1.3.
En cuanto a la arquitectura, el equipo convirtió un LLM generativo en clasificador: la cabeza del LM se recorta dejando solo los tokens de las opciones, una cabeza lineal de decisión lee los estados ocultos en las posiciones marcadas para generar probabilidades, y las capas de atención completa se hacen bidireccionales (las ablaciones muestran que beneficia); v1.3 también ajustó la atención entre preguntas: el estado compartido ve todas las preguntas, mientras que las preguntas no se ven entre sí, y todas se procesan aún en una sola pasada hacia adelante. El entrenamiento tiene tres fases: fine-tuning completo con datos públicos, especialización con LoRA y adaptación visual con LoRA, promediando los pesos de 3 semillas aleatorias; Flash se obtiene por destilación con divergencia KL del modelo grande.
Benchmarks autoinformados por la compañía: precisión media de 91.6% en clasificación de consultas sobre 63 tareas; nDCG@10 medio de 83.99 en 72 tareas de recuperación y reordenación, superando a Qwen3-Reranker-8B y a Jev 1.14; precisión multilingüe de 88.16% en 19 tareas y 8 idiomas (Flash 86.50%, Jev 85.41%); clasificación de imágenes 76.99%; concordancia del 93.98% con jueces LLM de frontera sobre 1 millón de peticiones reales y más de 2.3 millones de preguntas; en robustez, la tasa de inversión de respuestas es de solo 0.27% (Jev 1.14: entre 2.69% y 4.84%). Flash queda por detrás de Jev en finanzas, programación y derecho.
Los pesos están disponibles en Hugging Face bajo licencia Apache 2.0, y también integrados en Perplexity Decisions API y OpenRouter. El despliegue local requiere GPU con CUDA: los pesos BF16 de v1.3 ocupan unos 49 GiB y los de Flash unos 8.5 GiB; la API admite hasta unos 256K tokens de entrada (por defecto 32768 en local). El precio es de 0.02 dólares por millón de tokens de entrada (Flash: 0.01 dólares), salida gratuita, unos 26.47 dólares por millón de peticiones de producción, menos de la mitad que Jev 1.14 (68.10 dólares). Recomendación oficial: v1.3 para decisiones con rúbricas detalladas, Flash para enrutado, clasificación y extracción de alta concurrencia. Cabe señalar que todos los resultados son autoinformados por la empresa.
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado