Perplexity 发布 Decider v1.3：新增 Locate 提取功能，开放权重决策模型再升级

Perplexity 正式推出其开源决策模型系列的最新版本 pplx-decider-v1.3 及轻量版 pplx-decider-flash-v1.3。作为专为结构化决策设计的非生成式模型，Decider v1.3 不再输出自然语言文本，而是直接返回选项概率。此次更新的核心亮点是引入了 Locate 功能，能够根据指令或标签从文本中精确提取片段，进一步拓展了其在命名实体识别（NER）、PII 检测及抽取式问答中的应用场景。所有权重均以 Apache 2.0 协议在 Hugging Face 上开源。

pplx-decider-v1.3：https://huggingface.co/perplexity-ai/pplx-decider-v1.3
pplx-decider-flash-v1.3：https://huggingface.co/perplexity-ai/pplx-decider-flash-v1.3

Perplexity 发布 Decider v1.3：新增 Locate 提取功能，开放权重决策模型再升级

核心架构：从生成到分类的范式转变

Decider 系列受 TypeSafe 的 Jev 模型启发，将生成式 LLM 骨干网改编为高效分类器。其技术演进主要体现在以下方面：

双向注意力机制：全注意力层被调整为双向模式，消融实验表明这显著提升了分类性能。
隔离的问题注意力：在 v1.3 中，每个问题仅关注全局“状态”和自身，避免了 v1.2 中问题间相互干扰导致的答案偏移。所有关于同一输入的问题仍在单次前向传递中并行处理。
三阶段训练策略：包括数百个公共数据集的全量微调、LoRA 专业化适配器训练以及 LoRA 视觉适配器训练。Flash 版本则通过最小化与大模型输出的 KL 散度进行蒸馏。

新增功能：Locate 精确提取

Locate 功能是 v1.3 的重大突破。它通过引入新的 <|locate|> token 和专用的跨度头（Span Head），能够返回带有精确字符偏移量的文本片段。

灵活指令：支持短标签（如 “location”）或自然语言指令（如 “提取工作所在城市的名称”）。
独立适配器：Locate 使用独立的 LoRA 适配器，且保持未合并状态，以确保不损害主决策头的准确性。
应用场景：特别适用于 NER、敏感信息（PII）检测及需要从长文中定位关键信息的抽取式 QA 任务。

性能基准：全面领先竞品

根据 Perplexity 的自我报告数据，Decider v1.3 在多项评估中表现优异，尤其在稳健性和多语言能力上超越了 TypeSafe 的 Jev 1.14。

评估维度	Decider v1.3	Decider Flash v1.3	Jev 1.14 (竞品)	备注
查询分类 (63任务)	91.6%	–	–	比生产分类器高 6.54 分
领域分类	全面领先	金融/编程/法律略弱	–	金融领域最多高出 12.9 分
检索重排序 (nDCG@10)	83.99	–	81.75	优于 Qwen3-Reranker-8B
多语言 (19任务)	88.16%	86.50%	85.41%	覆盖 8 种语言
Locate 提取 (17任务)	69.0	63.6	–	远超 Liquid d1 (43.3)
图像分类	76.99%	72.77%	75.52%	–
答案翻转率 (稳健性)	0.27%	–	2.69% – 4.84%	极低的重排/重标记敏感度

部署与定价

开发者可以通过 API 或本地部署两种方式使用 Decider v1.3：

API 服务：
- 端点：POST https://api.perplexity.ai/v1/decisions
- 定价：v1.3 为 $0.02 / 百万输入 Token；Flash 为 $0.01 / 百万输入 Token。输出免费。
- 延迟：处理约 243K Token 的请求，v1.3 耗时约 16 秒，Flash 仅需 5 秒。
本地部署：
- 硬件需求：v1.3 (BF16) 需约 49 GiB 显存；Flash 需约 8.5 GiB。
- 运行环境：CUDA GPU，Python 环境。需使用 pplx_decider 包加载，并确保全注意力层以非因果方式运行。
- 推荐场景：v1.3 适用于细微的评分标准和复杂分类；Flash 适用于高容量的路由和简单决策。