Perplexity开源基于Qwen的决策模型pplx-decider

Perplexity 在 Hugging Face 上发布了决策模型 pplx-decider-v1-27b。该模型基于 Qwen3.8-27B 微调而成，采用 Apache 2.0 许可证，任何人都可以下载模型文件并在自己的服务器上运行。根据 Perplexity 面向开发者发布的公告，这款模型同时也是其 2026 年 10 月推出的 Decisions API 背后的模型。

决策模型是一类专为工作流程中需要快速做出判断的环节而设计的模型。用户向模型提供一段内容以及答案预先设定好的问题，模型无需写出长篇回答，直接为每个选项返回一个概率。应用程序可以据此把支持工单转给相应团队、判断一条消息是否紧急，或在把握不足时把决定交给人工。GlobalFeed 此前报道过的 Cloudflare Clef 模型也属于这一类。

模型可回答三类问题

根据 Perplexity 的 Decisions API 文档，模型支持三种问题类型。对于是非题，它给出回答“是”的概率。对于选择题，它为每个选项给出概率，并返回最可能的选项和一个置信度。对于评分题，它按照有序的评分标准评估内容，给出每个等级的概率以及据此计算出的期望分数。一次请求可以就同一内容提出多个问题。输入可以是文本、JSON 或图像。

文档中的示例展示了模型的适用场景：对支持工单进行分类、为浏览器智能体选择下一步操作，以及判断回答中引用的来源是否真正支持其论断。模型卡中的代码示例询问的是：一位 Stripe 集成不断出错的客户，其消息应交给账单、技术支持还是销售团队处理。

在 Perplexity 的对比中与 Jev 成绩接近

模型卡列出了 11 项基准测试的准确率。根据 Perplexity 公布的表格，pplx-decider 以 85.71% 的总体成绩排名第一，Typesafe AI 的决策模型 Jev 为 84.51%，基础模型 Qwen3.8-27B 为 74.76%。差距最大的是 RAGTruth，该测试衡量识别 AI 回答中虚构内容的能力。Jev 则在包括 WinoGrande、BBH 和 TruthfulQA 在内的六项测试中领先。据模型卡介绍，pplx-decider 的结果是通过 Perplexity API 测得的。

本地运行或通过 API 调用

模型卡指出，在本地运行该模型需要 Python 3.12 或更高版本，以及一张能够容纳约 49 GiB 模型文件和额外工作内存的 CUDA 显卡。Hugging Face 仓库中提供了可用 uv 工具运行的示例脚本，以及可直接调用的 Decider Python 类；图像输入也可以用同一脚本测试。托管版本可通过 Perplexity 的 Decisions API 调用，文档中还列出了该模型的 v1.1 版本。最新价格请见 Perplexity 官网。

模型卡没有说明训练数据、局限性，也没有说明模型支持哪些语言以及效果如何，因此在处理中文等非英文内容前，最好先用自己的样例进行测试。在本地运行该模型需要数据中心级别的显卡。想从不同角度了解模型表现，也请关注独立研究人员的评估。

来源：Hugging Face：pplx-decider-v1-27b 模型卡、Perplexity：Decisions API 文档、Perplexity：开发者更新日志。