Decider Flash V1.2 API
Perplexity Decider Flash V1.2 je odlehčený open-weight model s 4 miliardami parametrů, který vrací pravděpodobnosti místo textu a hodí se pro klasifikaci, filtrování a moderování obsahu.
Decider Flash V1.2 od Perplexity je open-weight model s 4 miliardami parametrů, postavený na backbone Qwen3.5-4B. Je distillovaný z větších rozhodovacích modelů Perplexity a sdílí stejný API kontrakt jako plný model Decider V1.2. Místo generovaného textu vrací pravděpodobnosti – u otázek typu ano/ne, u výběru z možností pravděpodobnost pro každou variantu a nejpravděpodobnější volbu, u rubrikového hodnocení pravděpodobnost pro každou úroveň a očekávané skóre. Trénink využíval model souping, tedy průměrování vah napříč běhy, což přispívá k robustnosti.
Model je navržen pro úlohy, kde software porovnává číselnou odpověď s prahovou hodnotou – typicky vysokobjemová klasifikace, směrování tiketů podpory, filtrování, označování zpráv, moderování obsahu, hodnocení sentimentu, rubrikové známkování, extrakce strukturovaných dat z obrázků a ověřování vizuálních atributů. Podporuje textový, JSON, obrázkový a PDF vstup a strukturovaný výstup. Díky kontextu 262K tokenů zvládne i rozsáhlejší vstupy, ačkoli trénink používal sekvence do přibližně 32K tokenů a delší kontexty byly ověřovány spíše namátkově.
Jde o cenově efektivní alternativu v nabídce rozhodovacích modelů Perplexity. Lze jej provozovat přes API Perplexity, bránu Opper nebo lokálně – na kompatibilním hardwaru přibližně s 13 GB VRAM při 4bitové kvantizaci, případně v aplikaci Decider for Mac s požadavky 5,8 GB úložiště a 16 GB paměti. Perplexity doporučuje ověřit přesnost na vlastních označených příkladech, zejména u jemných soudů. Model je navržen pro jednu otázku na požadavek; při více otázkách se stav zpracovává a účtuje znovu pro každou z nich. Dokumentovaný explicitní režim uvažování nemá.
Aktualizováno:
MODEL ID
pplx-decider-flash-v1.2- Kontext
- 262.144K
- Max. výstup
- 235.929K
- Vstup
- text / image
- Výstup
- decisions
Hlavní body
- 4 miliardy parametrů, open-weight
- Vrací pravděpodobnosti, ne text
- 262K tokenů kontextu
- Podpora textu, JSON, obrázků a PDF
- Lokální běh i přes API
Poskytovatelé
Porovnejte ceny API u různých poskytovatelů. Vyberte poskytovatele a zobrazte všechny poplatky a podmínky.
| $0.01 | $0 |
Benchmarky
- 85,71%
Celková přesnost napříč 11 benchmarky
7 210 vzorků; měřeno přes API Perplexity pro širší rodinu Decider V1.2, nikoli pro variantu Flash
Skóre podle zveřejnění poskytovatele modelu.
Rychlý start rozhodování
Posílejte stav a úzce vymezené typované otázky na /api/v1/decisions a čtěte jednu odpověď na otázku: noul vrací pravděpodobnost od 0 do 1, choice vybranou možnost s jejím rozdělením a score číselné skóre pro seřazená kritéria. Tento endpoint je oddělený od rozhraní Chat Completions, Messages a Responses.
curl https://openapi.felo.ai/api/v1/decisions \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "pplx-decider-flash-v1.2",
"state": "Help! My payouts have been failing for 3 days.",
"questions": {
"is_urgent": {
"type": "noul",
"instructions": "Does this message convey urgency?",
"criteria": {"true": "Time-sensitive", "false": "No urgency"}
},
"department": {
"type": "choice",
"instructions": "Which team should handle this?",
"criteria": {
"billing": "Payments, invoicing, refunds",
"technical": "Bugs, outages, integrations",
"sales": "Pricing, upgrades, new accounts"
}
},
"frustration": {
"type": "score",
"instructions": "How frustrated is the customer?",
"criteria": ["Calm", "Frustrated", "Very angry"]
}
}
}'Časté dotazy
Co je Decider Flash V1.2?
Decider Flash V1.2 od Perplexity je open-weight model s 4 miliardami parametrů, postavený na backbone Qwen3.5-4B. Je distillovaný z větších rozhodovacích modelů Perplexity a sdílí stejný API kontrakt jako plný model Decider V1.2. Místo generovaného textu vrací pravděpodobnosti – u otázek typu ano/ne, u výběru z možností pravděpodobnost pro každou variantu a nejpravděpodobnější volbu, u rubrikového hodnocení pravděpodobnost pro každou úroveň a očekávané skóre. Trénink využíval model souping, tedy průměrování vah napříč běhy, což přispívá k robustnosti. Model je navržen pro úlohy, kde software porovnává číselnou odpověď s prahovou hodnotou – typicky vysokobjemová klasifikace, směrování tiketů podpory, filtrování, označování zpráv, moderování obsahu, hodnocení sentimentu, rubrikové známkování, extrakce strukturovaných dat z obrázků a ověřování vizuálních atributů. Podporuje textový, JSON, obrázkový a PDF vstup a strukturovaný výstup. Díky kontextu 262K tokenů zvládne i rozsáhlejší vstupy, ačkoli trénink používal sekvence do přibližně 32K tokenů a delší kontexty byly ověřovány spíše namátkově. Jde o cenově efektivní alternativu v nabídce rozhodovacích modelů Perplexity. Lze jej provozovat přes API Perplexity, bránu Opper nebo lokálně – na kompatibilním hardwaru přibližně s 13 GB VRAM při 4bitové kvantizaci, případně v aplikaci Decider for Mac s požadavky 5,8 GB úložiště a 16 GB paměti. Perplexity doporučuje ověřit přesnost na vlastních označených příkladech, zejména u jemných soudů. Model je navržen pro jednu otázku na požadavek; při více otázkách se stav zpracovává a účtuje znovu pro každou z nich. Dokumentovaný explicitní režim uvažování nemá.
Jak se využití účtuje?
Faktura závisí na zvoleném poskytovateli, jeho cenách a vašem využití. Delší vstupy nebo jiné podmínky mohou mít jiné ceny.
Jaké vstupy model podporuje?
Text, JSON, obrázky a PDF. Podporuje také strukturovaný výstup.
Jak dlouhý kontext má k dispozici?
262K tokenů. Trénink však používal sekvence do přibližně 32K tokenů a delší kontexty byly ověřovány spíše namátkově, takže přesnost na velmi dlouhých vstupech se může lišit.
Jaký výstup od modelu očekávat?
Místo generovaného textu vrací pravděpodobnosti. U otázek ano/ne vrací pravděpodobnost, u výběru z možností pravděpodobnost pro každou variantu a nejpravděpodobnější volbu, u rubrikového hodnocení pravděpodobnost pro každou úroveň a očekávané skóre.
Pro jaké úlohy se hodí?
Pro klasifikaci, směrování tiketů, filtrování, označování zpráv, moderování obsahu, hodnocení sentimentu, rubrikové známkování a extrakci strukturovaných dat z obrázků.
Jak se liší od plného modelu Decider V1.2?
Je menší a levnější, má 4 miliardy parametrů na backbone Qwen3.5-4B, zatímco plný model má 27 miliard parametrů na backbone Qwen3.8-27B. Sdílí s ním stejný API kontrakt.
Lze model provozovat lokálně?
Ano, na kompatibilním hardwaru přibližně s 13 GB VRAM při 4bitové kvantizaci, nebo v aplikaci Decider for Mac s požadavky 5,8 GB úložiště a 16 GB paměti.