2026-11-13 · Fonte:MarkTechPost

Perplexity publica o Decider v1.3 open source: extração de trechos exatos por deslocamento de caracteres, útil para NER e detecção de PII, sob licença Apache 2.0.
A Perplexity lançou a nova versão de sua família de modelos de decisão open source, Decider v1.3 e Decider Flash v1.3. Diferentemente dos grandes modelos generativos, o Decider não produz texto: ele responde perguntas de sim/não, de múltipla escolha e de pontuação sobre entradas de texto ou imagem, retornando a probabilidade de cada opção rotulada; cada requisição carrega um estado compartilhado mais um conjunto de perguntas, na mesma linha do Jev, da TypeSafe. A nova versão é baseada no Qwen3.8-27B (rotulado como 26B no Hugging Face), e a versão Flash no Qwen3.5-4B (rotulado como 5B).
O destaque do v1.3 é o Locate, a localização de texto: extração de trechos exatos por rótulos curtos ou instruções livres, com deslocamentos de caracteres de início e fim, voltada para reconhecimento de entidades nomeadas (NER), detecção de informações sensíveis (PII) e perguntas e respostas extrativas, apenas com entrada de texto. Na implementação, cada campo recebe um token locate, um cabeçalho de intervalo adicional e um adaptador LoRA, mantendo o backbone e as cabeças de decisão congelados; os adaptadores não são mesclados deliberadamente, pois a mesclagem prejudica a precisão das decisões. Nos benchmarks, o Locate alcançou média de 69,0 (Flash 63,6), muito acima dos 33,6 do GLiNER large v2.5, mas ainda é o ponto mais fraco do v1.3.
Na arquitetura, a equipe transformou um LLM generativo em classificador: a cabeça do modelo de linguagem foi aparada para restar apenas os tokens de opção, uma cabeça de decisão linear lê os estados ocultos nas posições dos tokens para gerar probabilidades, e as camadas de atenção total passaram a ser bidirecionais (ablações indicam que isso ajuda); o v1.3 também ajustou a atenção entre perguntas — o estado compartilhado enxerga todas as perguntas, mas as perguntas não se veem entre si, e todas ainda são processadas em uma única passagem forward. O treino tem três etapas: fine-tuning completo com dados públicos, especialização com LoRA e adaptação visual com LoRA, com pesos médios de 3 seeds aleatórias; a versão Flash foi destilada do modelo maior via divergência KL.
Benchmarks autoinformados pela empresa: 91,6% de acurácia média na classificação de consultas em 63 tarefas; nDCG@10 médio de 83,99 em 72 tarefas de recuperação e reranking, à frente do Qwen3-Reranker-8B e do Jev 1.14; acurácia multilíngue de 88,16% em 19 tarefas e 8 idiomas (Flash 86,50%, Jev 85,41%); classificação de imagens em 76,99%; concordância de 93,98% com juízes LLM de fronteira em 1 milhão de requisições reais e mais de 2,3 milhões de perguntas; em robustez, taxa de inversão de respostas de apenas 0,27% (o Jev 1.14 varia de 2,69% a 4,84%). A Flash fica atrás do Jev em tarefas de finanças, programação e direito.
Os pesos estão disponíveis no Hugging Face sob licença Apache 2.0, e também via Perplexity Decisions API e OpenRouter. A implantação local exige GPU com CUDA: os pesos BF16 do v1.3 ocupam cerca de 49 GiB, e os da Flash, cerca de 8,5 GiB; a API aceita até cerca de 256 mil tokens de entrada (32768 por padrão local). O preço é de US$ 0,02 por milhão de tokens de entrada (Flash US$ 0,01), com saída gratuita — cerca de US$ 26,47 por milhão de requisições de produção, menos da metade do Jev 1.14 (US$ 68,10). A recomendação oficial: use o v1.3 para decisões com rubricas refinadas e a Flash para roteamento, classificação e extração em alta concorrência. Vale lembrar que todos os números são autoinformados.
萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado