Perplexity 开源分类模型 Decider v1.3,主打路由与评估
发布时间:2026年11月15日 16:00:0011 月 15 日,Perplexity 以 Apache 许可开源决策模型 Decider v1.3 及其蒸馏版 Decider Flash v1.3。输入文本与候选选项,输出每个选项的概率分布,用于分类、路由、排序与评估;可用于 Hugging Face、OpenRouter 与 Perplexity Decisions API。新版采用双向注意力、改进训练数据与配方,并新增 locate 能力,在命名实体识别、个人身份识别与抽取式问答中定位命中片段。
事件:一个不做生成的模型
11 月 15 日,Perplexity 以 Apache 许可开源 Decider v1.3 与蒸馏版 Decider Flash v1.3。
它和常见的大模型不一样:不生成内容,只做选择。
输入:一段文本 + 一个问题 + 若干候选选项。 输出:每个选项的概率分布。
典型用途:
| 用途 | 例子 |
|---|---|
| 分类 | 这条工单属于哪一类 |
| 路由 | 这个问题该交给哪个模型 |
| 排序 | 多个候选答案谁更好 |
| 评估 | 给生成结果打分 |
可用渠道:Hugging Face、OpenRouter、Perplexity Decisions API。
为什么「决策专用模型」值得单独存在
智能体系统里,调用次数最多的往往不是「生成」,而是「判断」:
这一步该调哪个工具?这个结果算不算完成?这句话有没有风险?
用旗舰模型做这类判断,有两个问题:
- 贵:判断一次也要付一次完整的推理费用;
- 不稳定:生成模型输出自由文本,还要再解析,容易出错。
专用决策模型把这件事变成「给定选项选一个」的封闭问题:
- 输出是概率分布,结构化、可直接消费;
- 模型小,成本和延迟都低;
- 同样的输入,结果可复现。
技术上的三处改动
官方说明的更新点有三个:
| 改动 | 作用 |
|---|---|
| 双向注意力 | 更充分地利用整段输入的上下文 |
| 训练数据精炼 | 提升文本与视觉任务的表现与鲁棒性 |
| 训练配方改进 | 同上 |
以及一个新增能力:locate。
locate 的作用是在长文本里指出命中的片段,而不只是给个标签。对抽取式任务(命名实体识别、个人身份识别、抽取式问答)非常实用——它同时告诉你「是什么」和「在哪」。
与谷歌 Decisions API 的呼应
有意思的是,同一天谷歌也在推 Decisions API(随 Gemini 4 Hydrogen 在 Copilot 上线)。
两家公司、两种路线,指向同一个结论:
| 谷歌 | Perplexity | |
|---|---|---|
| 形态 | 托管 API | 开源权重 + API |
| 优势 | 与自家模型栈集成 | 可自托管、Apache 许可 |
| 场景 | 通用决策 | 分类/路由/排序/评估 |
这说明「决策层」已经从「用大模型凑合」变成了独立的产品类别。
三层影响
对 Agent 开发者:可以用一个小模型替代掉系统里大量「判断」调用,成本显著下降。
对开源生态:Apache 许可 + 蒸馏版,意味着可以在端侧跑路由。
对模型厂商:旗舰模型的调用量可能下降,但「被路由到的次数」才是真正的收入来源。
需要冷静看的几点
- 只做选择,不做生成:候选选项的质量仍然取决于人怎么给。
- 概率校准:分布是否可靠,需要在自己的数据上验证。
- locate 的准确度:官方未给出细粒度指标。
- Apache 许可仍需读条款:商标与专利授权部分要确认。
观察点
- 社区在路由场景的实测。
- Flash 版与完整版的差距。
- 是否支持多语言与多模态输入。
- 与主流 Agent 框架的集成。
一句话总结:Decider 这类模型的价值在于——把智能体里成千上万次「判断」从旗舰模型手里拿走,交给一个便宜、稳定、输出结构化的专用模型。