Новости · Инструменты

Perplexity выпустила открытые decision-модели Decider v1.3 с функцией Locate

Perplexity представила pplx-decider-v1.3 и pplx-decider-flash-v1.3 — открытые модели, которые возвращают вероятности ответов вместо текста. Главное новшество — Locate, извлечение точных фрагментов текста по инструкции.

Редакция DeepMe
· 3 мин чтения
Бумажная карточка, три керамических шара на ленте и ступенька из кубиков, указывающая на выдвинутый шар.
Иллюстрация к теме новости
Первоисточник: www.marktechpost.comМатериал источника от 13.11.2026

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.

Что произошло

Perplexity выпустила pplx-decider-v1.3 и pplx-decider-flash-v1.3 — новые версии своих открытых decision-моделей. По описанию компании, такая модель не пишет ответ текстом, а возвращает вероятность для каждого варианта: подходит для вопросов «да/нет», выбора из нескольких вариантов и оценки по шкале.

Главное добавление — Locate. Она извлекает из текста точные фрагменты по типу поля или по инструкции и возвращает позиции начала и конца. Компания называет целевыми задачами распознавание именованных сущностей (NER), поиск персональных данных (PII) и извлекающий вопрос-ответ (extractive QA).

Веса опубликованы под лицензией Apache 2.0 на Hugging Face. Модели также доступны через Perplexity Decisions API и на OpenRouter. Размер v1.3 — 27B на базе Qwen3.8-27B, Flash — 4B на Qwen3.5-4B; на Hugging Face указаны 26B и 5B параметров. Для локального запуска v1.3 нужен CUDA-ускоритель примерно на 49 ГиБ в BF16, для Flash — около 8,5 ГиБ. Квантованных вариантов нет.

Цены API, по данным источника: $0,02 и $0,01 за 1 млн входных токенов, вывод бесплатный. Все метрики качества в релизе — самоотчёт компании, а не независимая проверка.

Что это значит для начинающего

Обычная языковая модель генерирует текст, и её ответ приходится разбирать и проверять. Decision-модель сразу выдаёт числа вероятностей по заданным вариантам — это удобно для классификации, маршрутизации запросов и скоринга. Порог принятия решения вы задаёте сами.

Locate полезна там, где нужен не пересказ, а точная выдержка: например, найти название города в вакансии или выделить персональные данные. Модель возвращает координаты фрагмента, а не свободный текст.

Для практики важны два пути: локальный запуск открытых весов и API. Локально нужен подходящий GPU и достаточно памяти; API снимает эту нагрузку, но зависит от внешнего сервиса. Flash позиционируется компанией для высоконагруженной маршрутизации, v1.3 — для более тонких критериев. Это рекомендация Perplexity, а не проверенный совет.

Полезно помнить термины: open-weight — веса доступны, но это не то же самое, что полностью открытая разработка; дистилляция — обучение меньшей модели на выходах большой; LoRA-адаптер — небольшой обучаемый модуль поверх замороженной модели.

На что обратить внимание

  • Все цифры — 91,6% на классификации запросов, 69,0 у Locate, сравнение с Jev 1.14 — приводятся самой Perplexity. Независимого подтверждения в источнике нет.
  • Самый слабый результат по абсолютной шкале — именно Locate (69,0), хотя это выше указанных конкурентов.
  • Локальный запуск требует значительной видеопамяти и не имеет квантованных версий.
  • Доступность в России, юридические и лицензионные нюансы использования API в источнике не описаны.
  • Заявленную задержку (~16 с для запроса на ~243K токенов) стоит воспринимать как тест компании, а не гарантию для вашего сценария.

Новичку разумно начать с документации API и карточек моделей, а собственные замеры делать на своих данных, не полагаясь только на опубликованные бенчмарки.