Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизAPI / Продукт · В работуX: @ArtificialAnlys→ оригинал

Perplexity выпустила Decider v1.3: 70 баллов в рейтинге решений и $68 за миллион задач

Perplexity выпустила Decider v1.3 — модель, которая в агенте решает, что делать дальше: вызвать инструмент или переспросить пользователя. В рейтинге решений Artificial Analysis версия на 27 млрд параметров набрала 70 баллов (шестое место), облегчённая Flash на 4 млрд — 64 (десятое). Миллион задач обходится в $68 и $34. Для дешёвых агентов Flash стоит сравнить с текущей моделью.

AI-обработка оригинала X: @ArtificialAnlys; редакция Hamidun News
Perplexity выпустила Decider v1.3: 70 баллов в рейтинге решений и $68 за миллион задач
Источник: X: @ArtificialAnlys. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникX: @ArtificialAnlys ↗
Главный редактор
Flash выросла на 4 пункта к v1.2по 12 пунктов на When2Call и AA-Symmetry
Ключевой факт #2Контекст 256 тыс. токенов, вход — текст и картинки, лицензия Apache 2.0
Ключевой факт #3Вход стоит $0,02 и $0,01 за 1M токенов, доступ через API Perplexity

Любой агент на LLM постоянно решает приземлённые вопросы: вызвать инструмент или переспросить пользователя, достать поле из документа или честно отказаться. Для таких развилок Perplexity выпустила отдельные модели Decider v1.3 и Decider Flash v1.3. Независимая лаборатория Artificial Analysis проверила их по своему рейтингу Decision Index v2.1, который оценивает именно качество подобных решений. Старшая модель на 27 млрд параметров набрала 70 баллов и заняла шестое место. Облегчённая Flash на 4 млрд параметров получила 64 балла и десятое место. По оценке лаборатории, прогнать миллион задач через них стоит $68 и $34 соответственно.

Что изменилось по сравнению с v1.2

Старшая Decider v1.3 сохранила шестую строчку рейтинга, которую занимала и версия v1.2. Прирост у неё небольшой. На тесте AA-Paperclip она занимает четвёртое место с результатом 69, это на 2 пункта лучше прошлой версии. На EvalSafe-O*NET-AA у неё 89 баллов и третье место, плюс 1 пункт.

Заметнее выросла младшая модель. Flash v1.3 прибавила 4 пункта к v1.2 и поднялась на десятое место. Весь прирост дали два теста: AA-Symmetry и When2Call, на каждом результат вырос на 12 пунктов.

When2Call проверяет практичный навык. Модель должна понять, когда стоит вызвать функцию, а когда нужно задать уточняющий вопрос или признать, что подходящего инструмента нет. Именно здесь агенты в продакшне чаще всего делают лишние или неверные вызовы. Поэтому скачок на 12 пунктов у маленькой модели интересен. Что именно измеряют остальные тесты, в исходном сообщении не объяснено, их описание стоит искать в документации Artificial Analysis.

Цена, размер и условия

Главный аргумент в пользу моделей — стоимость. Обе они лежат на границе Парето в координатах «возможности — цена». Это значит, что в этом наборе тестов нет моделей, которые дают то же качество дешевле или лучшее качество за те же деньги.

Параметры у моделей такие:

  • размер: 27 млрд параметров у Decider v1.3 и 4 млрд у Flash;
  • контекст: 256 тысяч токенов, на вход принимаются текст и изображения;
  • цена входных токенов: $0,02 за миллион у v1.3 и $0,01 у Flash;
  • лицензия: Apache 2.0;
  • доступ: через собственный API Perplexity.

Цены входных токенов выглядят очень низкими, поэтому перед расчётом бюджета их стоит сверить с прайсом в личном кабинете Perplexity.

Что делать разработчику

Первое. Если ваш агент много раз за сессию выбирает следующий шаг, необязательно отправлять каждое такое решение в самую большую универсальную модель. Маленькая специализированная модель может справляться не хуже и стоить в разы меньше. Flash на 4 млрд параметров подходит на роль быстрого «регулировщика»: направить запрос в нужный инструмент или решить, хватает ли данных для ответа.

Второе. Лицензия Apache 2.0 обычно означает свободное использование, но в источнике как провайдер указан только API Perplexity. Ссылок на загрузку весов там нет. Рассчитывать на локальный запуск пока рано: сначала проверьте, опубликованы ли веса.

Третье. Результаты получены на тестах одной лаборатории. Для первичного отбора этого достаточно, но проверку на ваших данных они не заменяют. Возьмите 100–200 реальных решений вашего агента, например маршрутизацию обращений в поддержку или извлечение полей из договоров. Прогоните их через обе версии Decider и через текущую модель. Сравнивайте не только точность, но и долю ошибочных вызовов инструментов.

Есть и ограничения. Места в рейтинге отражают срез на момент публикации и сдвигаются с выходом новых моделей. У старшей модели улучшения над v1.2 скромные: 1–2 пункта на отдельных тестах и то же шестое место. Реальный выигрыш получила в основном Flash, и именно её стоит смотреть в первую очередь тем, кто экономит на больших агентных пайплайнах.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: что изменилось по сравнению с v1.2?

Старшая Decider v1.3 сохранила шестую строчку рейтинга, которую занимала и версия v1.2. Прирост у неё небольшой. На тесте AA-Paperclip она занимает четвёртое место с результатом 69, это на 2 пункта лучше прошлой версии. На EvalSafe-ONET-AA у неё 89 баллов и третье место, плюс 1 пункт. Заметнее выросла младшая модель. Flash v1.3 прибавила 4 пункта к v1.2 и поднялась на десятое место. Весь прирост дали два теста: AA-Symmetry и When2Call, на каждом результат вырос на 12 пунктов. When2Call проверяет практичный навык.

Что известно по теме: цена, размер и условия?

Главный аргумент в пользу моделей — стоимость. Обе они лежат на границе Парето в координатах «возможности — цена». Это значит, что в этом наборе тестов нет моделей, которые дают то же качество дешевле или лучшее качество за те же деньги.

Что известно по теме: что делать разработчику?

Первое. Если ваш агент много раз за сессию выбирает следующий шаг, необязательно отправлять каждое такое решение в самую большую универсальную модель. Маленькая специализированная модель может справляться не хуже и стоить в разы меньше. Flash на 4 млрд параметров подходит на роль быстрого «регулировщика»: направить запрос в нужный инструмент или решить, хватает ли данных для ответа. Второе. Лицензия Apache 2.0 обычно означает свободное использование, но в источнике как провайдер указан только API Perplexity.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…