Modelos

Perplexity Decider v1.3 responde com probabilidade e roda com pesos abertos

O Perplexity Decider devolve uma probabilidade para cada opção, não uma frase. O v1.3 saiu em 12 de novembro com pesos Apache 2.0, um extrator de trechos chamado Locate e um preço que cabe em planilha pequena.

Mariana SilvaMariana Silva
Popularidade: 1,150
Um histograma de probabilidade em água-marinho sobre fundo escuro ao lado das palavras Decider v1.3

O Perplexity Decider devolve uma probabilidade para cada opção, não uma frase. O v1.3 saiu em 12 de novembro com pesos Apache 2.0, um extrator de trechos chamado Locate e um preço que cabe em planilha pequena.

Perplexity Decider: o modelo que responde com probabilidade, não com frase

A categoria é nova, então vale começar pela diferença prática. Um modelo generativo escreve. O Decider classifica. Você entrega um documento e uma pergunta com opções, e ele devolve a chance de cada opção estar certa.

Por que isso importa? Porque quase todo sistema de IA em produção gasta a maior parte do tempo decidindo, não escrevendo. "Isso é cobrança ou é dúvida de acesso?" "Esse Pix devolvido é fraude ou erro de digitação?" "Precisa de humano agora?" São perguntas de roteamento, e resposta em texto livre é um formato ruim para elas.

O Perplexity Decider entra aí: é o que o mercado passou a chamar de decision models, um classificador vestido de LLM. A empresa publicou o release do Decider v1.3 em 12 de novembro, junto com a versão Flash.

Como o Decider v1.3 resolve várias perguntas em uma passada só

A economia está no número de chamadas. Em um modelo generativo, três perguntas sobre o mesmo documento custam três requisições, com o texto inteiro indo e voltando a cada vez.

No Decider v1.3, uma passada responde o lote. O estado vê o documento e todas as perguntas; cada pergunta vê o estado e a si mesma. Uma camada de roteamento pergunta de uma vez se é cobrança, se é urgente e se precisa de gente, e recebe três probabilidades no mesmo retorno.

O ganho aparece na conta de inferência e na latência. Para quem opera atendimento com milhares de conversas por hora, cortar chamadas é o mesmo que cortar fila.

Uma passada, três respostas.

A atenção isolada do Decider v1.3 e a troca de resposta em 0,27%

A mudança de arquitetura do v1.3 é pequena de descrever e grande de efeito. Antes, as perguntas se enxergavam. Agora, cada pergunta vê o estado compartilhado e a si mesma, e não vê as vizinhas.

O motivo é simples: pergunta que enxerga pergunta contamina resposta. Se a primeira pergunta é sobre cancelamento e a segunda sobre elogio, o modelo tende a puxar a segunda para o clima da primeira. Isolando a visão, cada resposta fica estável.

A Perplexity mede essa estabilidade com a taxa de troca de resposta sob perturbação de rótulo e de formato, e registra 0,27%. É número da própria empresa, medido nos próprios testes, e vale como indicação, não como certificado.

Locate e o pacote open-weight classifier do Decider v1.3

O v1.3 trouxe também o Locate, que não classifica: ele extrai trechos. Nome de pessoa, dado pessoal, citação, resposta curta dentro de um texto longo. A saída vem em posição de caractere, o que serve para destacar no documento original.

O desenho é de adaptador, com token especial, cabeça de span e LoRA. Os adaptadores do Locate ficam separados, sem fusão ao modelo base, porque a fusão degradava os pedidos comuns de decisão, segundo a Perplexity.

A distribuição é o que interessa. Os pesos estão no Hugging Face sob Apache 2.0. O acesso pronto passa pela Decisions API e pelo OpenRouter. É um open-weight classifier de verdade: dá para baixar, inspecionar e rodar fora da nuvem da empresa.

Para uma equipe brasileira que não pode mandar dado de cliente para o exterior, esse detalhe muda a conversa. Modelo aberto rodando em máquina própria resolve a LGPD por arquitetura, não por contrato.

Os números dos decision models: 91,6% e o aviso na mesma página

O número de manchete é 91,6% de acurácia média em 63 tarefas de classificação de consulta, o que a empresa descreve como 6,54 pontos acima dos classificadores que usa em produção. No conjunto de domínios da TypeSafe, o modelo lidera as sete listas do Jev 1.14, com vantagem de até 12,9 pontos em finanças.

A parte que quase ninguém cita vem logo depois. Todos esses números saíram da Perplexity, sem avaliação independente publicada até aqui. E a versão Flash perde para o Jev 1.14 em finanças, programação e direito, nas próprias tabelas da empresa.

Em recuperação e reranking, a média é 83,99 de nDCG@10 em 72 tarefas, uma métrica que mede se o resultado certo ficou no topo da lista. O Locate tem a menor nota absoluta do release, 69,0.

Leitura honesta: é um bom classificador com prova de fabricante, e a prova cobre o tipo de tarefa em que ele foi treinado. Fora disso, o comprador testa.

Preço do Decider v1.3: dois centavos por milhão e 49 GiB de peso

O modelo grande custa US$ 0,02 por milhão de tokens de entrada na API, e a saída não é cobrada, porque não existe saída em texto. A versão Flash fica em US$ 0,01. A Perplexity cita US$ 26,47 por milhão de requisições em produção como referência de custo.

Rodar em casa é outra conta. São cerca de 49 GiB em BF16 para o v1.3 e 8,5 GiB para o Flash, sem build quantizado publicado. Hospedar o grande exige GPU de verdade, e não cabe em máquina de escritório.

Comparação de tamanho: o modelo grande é adaptado do Qwen3.8-27B, e o Flash é um 4B destilado dele, sobre Qwen3.5-4B. O post fala em 27B e 4B, enquanto a listagem no Hugging Face mostra 26B e 5B, uma diferença de arredondamento que a empresa não explica.

O contexto também tem limite: a API aceita menos de 256 mil tokens, e o uso local começa com 32.768 por padrão.

Onde o Perplexity Decider já trabalha dentro da empresa

A Perplexity também usa o próprio modelo em casa, e o caso mais concreto é o de segurança. O Decider minera regra de segurança, monitora rollout de aprendizado por reforço e filtra qualidade de página. Em um dia, leu 1 bilhão de tokens em 7 mil sessões de agente e apontou 14 correções de regra, seis no ar em dois dias.

A mesma semana teve o Gemini Decision 1, do Google, lançamento separado que o Latent Space juntou na mesma discussão sobre decision models. Duas empresas grandes no mesmo formato sugerem categoria, não cópia.

Para quem constrói produto, o teste é barato: pegue uma pergunta de roteamento que hoje consome um modelo generativo, transforme em pergunta com opções e compare custo e acerto. Se a diferença aparecer, o Decider v1.3 já está disponível para conferir.

Compartilhar esta notícia

Fontes

Notícias de IA relacionadas

Uma longa forma de onda verde-azulada com uma barra laranja de destaque em campo escuro
Modelos

Rumble-2-Flash: um modelo de fala de 0,5B encosta no de 30B

A Reson8 liberou um modelo de reconhecimento de fala de 0,5 bilhão de parâmetros que fica a um décimo de ponto de um gigante de 30 bilhões em ligações de call center. O número interessa a quem paga por minuto de transcrição, e o resto do pacote decide se vale trocar.

Popularidade: 560
Três anéis de neon orbitando um pequeno núcleo brilhante em campo azul-escuro
Modelos

Gemini 4 Neon chega ao app, e o seletor perde Argon e 3.1 Pro

O Gemini 4 Neon entrou no app como a opção do meio: mais forte que o Hydrogen, mais barato que o Carbon. A troca interessa a quem paga o Gemini AI Pro, porque duas opções antigas saíram do seletor no mesmo dia.

Popularidade: 1,500
Um grande núcleo de modelo cercado por raios de raciocínio ao lado de um núcleo rápido menor, com barras de preço em queda à direita
Modelos

GPT-6.2 Astra fica 20% mais barato e continua atrás no teste independente

A OpenAI cortou o preço do Astra em 20% e deixou o Sol na faixa anterior. Só que a fatura por tarefa depende de outro número: quantos tokens o modelo queima até entregar o resultado.

Popularidade: 1,900
Uma grade densa de quadrados especialistas com seis nós acesos e uma fita longa atravessando
Modelos

Qwen4-Max: 2,4 trilhões de parâmetros e a conta menor por tarefa

A Alibaba não está vendendo o modelo mais forte do mercado. Está vendendo a conta menor no fim do mês, com uma arquitetura que gasta menos tokens para chegar à mesma resposta. A diferença aparece nos benchmarks que o Qwen4-Max perde.

Popularidade: 1,650