Un modèle qui ne rédige pas, qui répond par une probabilité pour chaque option, et qui traite plusieurs questions sur le même document en un seul passage. C'est ce que Perplexity a publié le 12 novembre avec Decider v1.3. La catégorie a un nom, decision models, et elle change la façon de brancher une couche de tri.
Perplexity Decider : un classifieur qui emprunte le corps d'un LLM
La plupart des modèles génèrent du texte. Celui-ci renvoie une distribution de probabilités sur des réponses étiquetées.
Posez trois questions sur un ticket client : est-ce une question de facturation, est-ce urgent, faut-il un humain. Un modèle de langage classique répond en trois appels, avec trois phrases à parser. Decider répond en un seul passage avant, avec trois probabilités. Pour une couche de routage qui traite des milliers de messages, la différence divise le coût et supprime l'analyse de texte libre.
D'où l'étiquette decision models. Le modèle a la taille et l'architecture d'un LLM, mais son usage est celui d'un classifieur : oui ou non, option A ou option B, note de 1 à 5.
Decider v1.3 et Flash v1.3 : ce qui est publié, et sous quelle licence
La version publiée le 12 novembre remplace v1.2 et Flash v1.2. Les poids sont sur Hugging Face sous licence Apache 2.0, et les modèles tournent via l'API Decisions de Perplexity ainsi que sur OpenRouter.
Deux tailles sont proposées. Le grand modèle est adapté de Qwen3.8-27B. Flash v1.3 est un modèle de 4 milliards de paramètres, distillé à partir du grand, construit sur Qwen3.5-4B. La fiche Hugging Face affiche 26 et 5 milliards, ce qui ne colle pas avec le communiqué. L'écart n'a pas d'incidence pratique.
La licence Apache 2.0 autorise l'usage commercial, la modification et la redistribution, sans obligation de publier vos changements.
L'attention question par question, et les réponses qui cessent de basculer
Le changement de fond dans cette version tient à la façon dont les questions se voient entre elles.
Dans la version précédente, chaque question pouvait observer les autres. La réponse dépendait donc de l'ordre et du contenu des voisines. Le même document, avec les mêmes questions posées autrement, produisait parfois des étiquettes différentes.
v1.3 introduit un motif d'attention isolé. L'état global voit toutes les questions, mais chaque question ne voit que cet état et elle-même. Les questions partagent le document sans se surveiller. Perplexity mesure l'effet avec un taux de bascule de 0,27 % sur des perturbations d'étiquettes et de format. Changer la formulation ne retourne donc plus la réponse une fois sur trois.
Pour une chaîne de tri, c'est la propriété la plus utile de la fiche technique. Un classifieur instable coûte plus cher qu'un classifieur moyen, parce qu'il faut relire ses sorties.
Locate, l'extracteur de spans laissé en adaptateur séparé
La nouveauté fonctionnelle s'appelle Locate. Elle ajoute un jeton spécial, une tête de prédiction de segments et un adaptateur LoRA pour extraire des passages précis : noms d'entités, données personnelles, citations, réponses extractives. Le modèle renvoie des positions de caractères, pas une reformulation.
Combien de questions tient un seul appel ? Jusqu'à 128, de quoi passer un contrat de dix pages au crible et demander, dans le même appel, où se trouvent les noms, les adresses et les clauses de résiliation.
Détail d'ingénierie révélateur : Perplexity garde les adaptateurs Locate séparés. La raison est donnée sans détour, la fusion dégradait les réponses de décision ordinaires. Plus élégant sur le papier, moins bon en pratique.
Les chiffres de Perplexity, et ce qu'ils valent
Les performances annoncées viennent toutes de la maison. À lire comme des chiffres de fabricant.
Perplexity revendique 91,6 % de précision moyenne sur 63 tâches de classification de requêtes, soit 6,54 points de plus que ses classifieurs en production. Sur les sept jeux de domaines de TypeSafe Jev 1.14, v1.3 passe devant, avec jusqu'à 12,9 points d'avance en finance. Sur 72 tâches de recherche et de reranking, la moyenne nDCG@10 atteint 83,99.
Les mêmes tableaux disent le contraire d'un triomphe uniforme. Flash v1.3 reste derrière Jev 1.14 en finance, en programmation et en droit. Locate obtient 69,0 de moyenne, le score absolu le plus faible de la publication.
Aucun résultat n'a été reproduit par un laboratoire indépendant.
Combien coûte un open-weight classifier en production
Le prix est l'argument le plus simple à vérifier. L'API facture 0,02 dollar par million de jetons d'entrée pour v1.3, et 0,01 dollar pour Flash. La sortie n'est pas facturée, ce qui est logique pour un modèle qui produit des probabilités.
L'auto-hébergement est une autre histoire. Il faut environ 49 GiB de poids en BF16 pour le grand modèle, contre 8,5 GiB pour Flash. Aucune version quantifiée n'est publiée. Vous ne ferez donc pas tourner v1.3 sur une carte grand public : il faut un vrai accélérateur, avec 80 Go de mémoire GPU pour loger les poids avec de la marge.
En France, l'option réaliste pour une petite équipe reste la location d'une instance H100 chez Scaleway ou OVHcloud, avec un coût mensuel à quatre chiffres. Face à un tarif d'entrée à 0,02 dollar le million de jetons, la location ne devient rentable qu'à des volumes de plusieurs dizaines de milliards de jetons par mois.
Deux limites à retenir. Les requêtes API acceptent moins de 256K jetons. En local, la valeur par défaut est de 32 768 jetons.
Où un decision model gagne vraiment sa place
Perplexity décrit trois usages internes, et ce sont les plus parlants. Le modèle sert à extraire des règles de sécurité, à surveiller les trajectoires d'apprentissage par renforcement et à filtrer la qualité des pages.
Le chiffre qui donne la mesure : en une journée, l'outil a lu 1 milliard de jetons sur 7 000 sessions d'agents, et fait remonter 14 corrections de règles, dont six livrées en deux jours. Ce n'est pas un modèle qui converse, c'est un filtre qui produit des tickets.
Latent Space a parlé d'une journée des modèles de décision, en incluant Gemini Decision 1 de Google, lancé séparément. Deux annonces la même semaine, sur la même idée : la classification redevient un produit, avec son prix au million de jetons et ses bancs d'essai.
Pour un éditeur français, l'usage immédiat est le tri de tickets, puis la détection de données personnelles avant archivage. Si vous passez des textes clients dans Locate, vous restez responsable du traitement au sens du RGPD, et la CNIL attend que vous sachiez où partent les données. Un open-weight classifier hébergé chez un prestataire européen rend cette réponse plus facile à écrire qu'un appel à une API américaine.






