Perplexity 在 Hugging Face 发布 Apache-2.0 的 pplx-decider-v1.1-27b，基于 Qwen3.8-27B，不生成文本而是直接输出带概率的分类/路由/打分答案；Decision Index 总分 61.56（v1 为 56.4，Jev 为 57.9），并可通过 Perplexity Decisions API 调用。
核心要点速览
- ✓Decision Index 总分 61.56，比 v1（56.4）高 5.16 分，比 Jev（57.9）高 3.66 分，同一 Qwen3.8-27B 底座
- ✓分项：Language 69.45、Retrieval 61.26、Tools 78.88、Knowledge 48.18（仍低于 Jev 的 51.4）
- ✓提升主要来自取消全注意力层的因果掩码（noncausal）以及加入 tasksource 等更多训练数据
- ✓输出头是 [255, 5120] 的 BF16 readout，不是全词表 lm_head；权重约 49 GiB，需 CUDA GPU
- ✓托管调用：POST /v1/decisions，支持 noul / choice / score 三类问题，一次请求可问多个问题（文档）
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
Agent 系统里大量调用其实不是“写回答”，而是分类、路由、按规则打分：这条工单归哪个团队、这段检索结果是否相关、这次工具调用该不该继续。用聊天模型做这些事，要靠 prompt 让它吐出标签再解析文本，既慢又拿不到可阈值化的概率。Perplexity 的 pplx-decider-v1.1-27b 就是专门为“做决定”训练的开源模型，Apache-2.0 授权。
架构亮点与底层机制
底座是 Qwen3.8-27B，但输出端换成了一个 BF16 的 [255, 5120] 决策头（readout），不是全词表 lm_head，模型只在给定候选上输出概率。相比 v1，v1.1 把全注意力层改为非因果（noncausal）注意力，并加入 tasksource 等更多数据；推理时需用仓库自带的 DecisionModel 实现并只施加一次校准温度，否则复现不了评测结果。
权威 Benchmark 与实测跑分对比
据模型卡，Decision Index 总分 61.56，v1 为 56.4，Jev 为 57.9。分项：Language 69.45、Retrieval 61.26、Tools 78.88（v1 为 79.3）、Arts 44.66，Knowledge 48.18 仍落后 Jev 的 51.4。以上均为官方自报，暂无独立复测。
开发者实战落地与开箱指南
自托管需 Python 3.12+、CUDA GPU，权重约 49 GiB。不想自己部署可直接调用 Decisions API：POST /v1/decisions，传入 state 和多个命名问题（noul 是/否、choice 单选、score 量表），返回每题的概率和置信度。适合把 Agent 中的意图路由、RAG 相关性判断、评审打分从大模型对话里拆出来。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察