跳到主要內容
2026-11-20 日報
模型發布

Perplexity 發布決策模型 Decider v1.3,以隔離式注意力實現單次推論多任務判斷且成本降低 61%

AI 科技評論單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

本次未取得足夠原文證據

據報導,Perplexity 推出專注於結構化判斷的決策模型 Decider v1.3,重構了 Transformer 的注意力機制。該架構允許同一份長文本上下文(State)同時承載多個獨立問題(Question),只需一次前向傳播即可輸出各問題的答案機率分布,大幅降低重複編碼長文本與逐 Token 解碼的成本,宣稱對標 Jev 成本降低 61%。 在注意力設計上,Decider 捨棄傳統因果注意力改採雙向注意力,並在 v1.3 引入「隔離式問題注意力」(Isolated Question Attention):State 可以讀取全部 Question 以彙集跨任務條件,但每個 Question 只能讀取 State 與自身 Token,切斷了問題之間直接傳遞表示的途徑。在 372 道選擇題的標籤擾動測試中,v1.3 僅 0.27% 的問題發生答案變化,低於 Jev 1.14 的 2.69% 至 4.84%。 功能方面,Decider v1.3 增加 Locate 能力,透過專屬的跨度頭(Span Head)與 LoRA 轉接器,根據自然語言描述對文本起點、終點及配對關係評分,直接定位並抽取原文區間。官方查證資料顯示,Decider v1.3 為 pplx-decider-v1.2 的升級版,較大版本以 Qwen3.8-27B 為基礎進行多模態全量微調與領域 LoRA 適配,Flash 版本則以 Qwen3.5-4B 透過 KL 散度擬合教師模型的機率分布蒸餾而成。 評測數據顯示,Decider v1.3 在 63 項分類任務上的平均準確率為 91.6%,72 項檢索任務的重排平均 nDCG@10 為 83.99;Locate 在 17 項域外任務得分為 69.0。該架構已進入 Perplexity 內部生產系統,在安全審查中單日曾處理 7,000 個 Agent 會話與 10 億 Token。
讀原始報導

背景

Perplexity 發展的 Decider 系列是基於 Qwen3.8-27B 微調的決策與分類模型,先前已推出 pplx-decider-v1-27b 等版本。過去使用生成式大型語言模型處理判斷任務時,通常需要多次調用模型逐字生成文本再進行外部解析,耗費大量的運算與重複編碼成本。該架構旨在將分類判斷獨立為專用模型,讓多項任務能在單次前向傳播中完成計算。

這則事件的發展

  1. 2026-11-18Perplexity 執行長透露年化營收突破 10 億美元,一年內成長逾四倍

來源