Dek: Un modelo que no escribe: devuelve la probabilidad de cada opción en una sola pasada y contesta varias preguntas sobre el mismo documento. Los pesos son Apache 2.0, la API cuesta dos centavos por millón de tokens de entrada y todos los números son de Perplexity.
Qué es Perplexity Decider y por qué no escribe frases
La mayoría de la gente asocia un modelo de lenguaje con texto generado. Perplexity Decider hace otra cosa: recibe un documento y una pregunta con opciones, y devuelve una distribución de probabilidad sobre esas opciones. Sí, no, urgente, la categoría que toque.
Eso lo convierte en un clasificador con ropa de modelo grande. No hay respuesta redactada, no hay párrafo que corregir. Hay números que un programa puede usar para decidir a dónde va un ticket o si un comentario se publica.
Perplexity publicó la versión v1.3 el 12 de noviembre, con pplx-decider-v1.3 y pplx-decider-flash-v1.3 como sucesores de la familia anterior. La categoría, los decision models, lleva meses creciendo en silencio dentro de las empresas.
Una pasada, varias preguntas: así funcionan los decision models
Un solo paso hacia delante contesta todas las preguntas sobre el mismo documento. Un sistema de enrutado puede preguntar si el mensaje es una factura, si es urgente y si necesita a una persona, sin tres llamadas al modelo.
Con un modelo generativo, cada pregunta es una generación completa, con su latencia y su factura. Con Decider, las tres viajan juntas y la respuesta llega como un vector de probabilidades.
Decider v1.3 y Flash v1.3: pesos Apache 2.0, API y OpenRouter
El lanzamiento tiene dos tamaños. El grande se adaptó a partir de Qwen3.8-27B. Flash v1.3 es un modelo de 4B destilado del anterior, construido sobre Qwen3.5-4B. El post de Perplexity dice 27B y 4B; la ficha de Hugging Face muestra 26B y 5B, una discrepancia que la empresa no explica.
Los pesos están en Hugging Face bajo Apache 2.0, y se usan por la API Decisions o por OpenRouter.
El patrón de atención que lleva el answer-flip al 0,27%
El cambio de diseño de v1.3 está en cómo se miran las preguntas entre sí. Antes, cada pregunta podía ver a las demás. Ahora el estado ve todas, y cada pregunta ve solo el estado y a sí misma.
Suena a detalle de implementación y no lo es. Cuando dos preguntas se miran, la respuesta de una contamina la de la otra, y el mismo documento con el mismo modelo puede dar resultados distintos según el orden. Aislarlas reduce ese contagio.
Perplexity mide el efecto con el answer-flip rate: cuántas veces cambia la respuesta al perturbar etiquetas o el formato. La empresa reporta 0,27%: el clasificador deja de moverse cuando le cambias el envoltorio a la pregunta.
Locate: nombres, datos personales y citas con posiciones
Locate es la incorporación nueva. Añade un token especial, una cabeza de span y un adaptador LoRA para extraer fragmentos: nombres propios, información personal, citas textuales. Devuelve posiciones de caracteres, no texto reescrito, y admite hasta 128 preguntas por petición.
Los adaptadores se quedan sin fusionar a propósito. Perplexity probó a fusionarlos y vio una regresión en las peticiones de decisión, así que los dejó aparte.
Si usas esto para detectar datos personales en documentos, hay una consecuencia legal antes que técnica. Un flujo que señala nombres o identificadores trata datos personales y entra en el RGPD, con contrato de encargado incluido.
Los números de Perplexity Decider y quién los firma
Todas las cifras de este lanzamiento las publica la propia empresa, y ninguna está replicada por un laboratorio independiente. Conviene leerlas con esa etiqueta puesta.
Perplexity reporta 91,6% de precisión media en 63 tareas de clasificación de consultas, 6,54 puntos por encima de sus clasificadores en producción. Dice también que v1.3 supera a Jev 1.14 de TypeSafe en los siete conjuntos de clasificación por dominio, con hasta 12,9 puntos de ventaja en finanzas.
En 72 tareas de recuperación y reranking, el nDCG@10 medio es 83,99. Flash pierde frente a Jev en finanzas, programación y derecho, según las tablas de Perplexity. Locate, con 69,0, es la nota absoluta más baja.
Cuánto cuesta montar un open-weight classifier de 27B
El precio de la API es la parte sencilla: dos centavos por millón de tokens de entrada para v1.3, uno para Flash, y la salida no se cobra. Perplexity calcula 26,47 dólares por millón de peticiones en producción, una cifra que depende de cuántas preguntas metas en cada llamada.
El autoalojamiento es otra historia. Los pesos en BF16 ocupan unos 49 GiB para v1.3 y 8,5 GiB para Flash, y no hay variantes cuantizadas publicadas. Para el grande, eso es una GPU de 80 GB; para el pequeño, una tarjeta de consumo.
Los límites de contexto también vienen escritos: las peticiones a la API aceptan menos de 256K tokens, y el uso local arranca con 32.768 por defecto.
Dónde encaja Decider v1.3: enrutado, moderación y reranking
Las tareas donde un open-weight classifier gana su sitio son aburridas y constantes. Enrutar tickets a un equipo, filtrar comentarios, ordenar resultados de búsqueda, servir de juez en una evaluación automática.
Perplexity lo usa para minería de reglas de seguridad, monitorización de despliegues de aprendizaje por refuerzo y filtrado de calidad de páginas. En un día, según la empresa, leyó 1.000 millones de tokens en 7.000 sesiones de agentes y sacó 14 correcciones, seis desplegadas en dos días.
Queda un detalle para quien trabaje en español. Los 63 conjuntos del informe son consultas en inglés y el post no desglosa por idioma. Un equipo de soporte en Barcelona que enrute tickets en castellano debería medir con sus propias etiquetas.
Cómo probarlo sin comprar una GPU
El camino corto es OpenRouter o la API Decisions: se paga por uso y no hay nada que instalar. El largo es descargar los pesos, y para v1.3 hace falta una GPU seria.
Latent Space agrupó el lanzamiento con el Gemini Decision 1 de Google, un producto distinto que no forma parte de esta release.
Si el trabajo es clasificar mucho y generar poco, la prueba que vale es una tarde con 200 ejemplos reales de tu propio tráfico. Ahí se ve si el 91,6% de Perplexity se parece al tuyo.






