Perplexity telah menerbitkan postingan mendetail tentang Decider v1.3, versi terbaru dari rangkaian model keputusannya, berjudul "Perplexity Decider v1.3: Training, eval, dan use case." Postingan tersebut muncul di halaman depan Hacker News pada hari Jumat dan menghasilkan lebih dari 140 poin dalam beberapa jam, dengan para pengembang memperdagangkan hasil benchmark dan berdebat mengenai di mana model ini benar-benar cocok. Untuk informasi lebih lanjut mengenai hal ini dan berita AI terbaru, kami mengikuti setiap rilis model saat model tersebut diluncurkan.
Perhatiannya bukan hanya pada satu pembaruan, namun lebih banyak pada apa yang diungkapkan oleh thread ini: hanya dalam waktu satu tahun, model keputusan telah berubah dari rasa ingin tahu menjadi kategori yang ramai dengan tolok ukurnya sendiri, logika penetapan harganya sendiri, dan bidang kompetitif yang kini mencakup Perplexity, TypeSafe, Microsoft, Google, Cloudflare, dan OpenAI.
Apa yang Sebenarnya Dilakukan Model Keputusan
Definisi paling jelas berasal dari Analisis Buatan, laboratorium evaluasi independen yang Indeks Keputusan v2.1-nya telah menjadi papan peringkat referensi untuk kategori tersebut. Dalam penjelasannya, model keputusan mengambil pertanyaan dengan serangkaian opsi yang tetap — misalnya, tiket dukungan menanyakan apakah akan mengarahkan ke penagihan atau teknis, apakah ini mendesak, dan seberapa kecewa pelanggan — dan mengembalikan jawaban untuk setiap opsi dengan probabilitas yang terpasang, semuanya dalam satu panggilan.
Sebaliknya, model bahasa tujuan umum menghasilkan keluaran terstruktur yang kemudian harus diurai, dan model penalaran menghabiskan pemikiran komputasi ekstra sebelum dapat menjawab. Model keputusan melewatkan hal itu. Mereka dilatih untuk memilih, bukan menjelaskan, yang membuat mereka cukup cepat dan murah untuk menjalankan setiap dokumen, setiap permintaan, dengan volume tinggi.
Bagaimana Kategori Diukur
Indeks Keputusan Analisis Buatan v2.1, diperbarui dengan halaman metodologi publik, menggabungkan enam evaluasi dengan bobot yang dipublikasikan: AA-Paperclip sebesar 30 persen, yang menjalankan 1.500 resume, kwitansi, faktur, dan makalah penelitian melalui keputusan dan ekstraksi fakta; EvalSafe-ONET-AA sebesar 15 persen, berdasarkan penilaian tolok ukur ONET TypeSafe tentang dokumen tempat kerja; When2Call sebesar 10 persen, evaluasi pemanggilan alat NVIDIA; AA-Omniscience-Decision v1.1 sebesar 15 persen untuk pengetahuan dan halusinasi; HLE-MultiChoice v1.1 sebesar 15 persen, pertanyaan pilihan ganda hanya teks dari Ujian Terakhir Kemanusiaan dengan opsi untuk menolak; dan AA-Symmetry v1.1 sebesar 15 persen, yang memeriksa apakah suatu keputusan tetap berlaku ketika opsinya dipindahkan, diubah, atau dinegasikan.
Tes terakhir itulah yang menentukan. Model yang membalik jawabannya saat Anda membalik urutan pilihan sebenarnya tidak menentukan — model tersebut merupakan pencocokan pola. Kalibrasi, invarian, dan mengetahui kapan harus menolak diperlakukan sebagai persyaratan kelas satu, bukan bonus.
Apa yang Ditambahkan oleh Thread Berita Peretas
Perplexity pertama kali mengungkap anggota keluarga dengan 27 miliar parameter, pplx-decider-v1-27b, di Hugging Face pada awal Oktober, sehingga komunitas telah mencoba model ini selama berminggu-minggu. Reaksi terhadap v1.3 beragam sehingga terlihat seperti pasar yang sehat dan bukan siklus hype.
Salah satu pengembang melaporkan bahwa Decider v1.3 menunjukkan peningkatan dibandingkan v1.2 dan Jev 1.14 TypeSafe pada evaluasi internal untuk tugas ekstraksi dan pencocokan entitas. Yang lain mengatakan bahwa ia berkinerja baik pada tolok ukur lokal mereka dan diberi harga yang kompetitif, dan mencatat bahwa arsitektur perhatian dua arah mungkin sesuai dengan pekerjaan pengambilan keputusan. Yang lain menolak: seorang pemberi komentar menganggap v1.3 merupakan langkah mundur dalam kasus penggunaan mereka dan mengatakan bahwa indeks publik setuju, dan yang lain mempertanyakan apakah varian flash melemahkan janji inti kategori tersebut yaitu keputusan massal yang murah dan akurat.
Thread ini juga memunculkan ekosistem di sekitarnya – model keputusan Clef Cloudflare dan model ekstraksi Clairic, API ScaleDown, D1 Liquid, dan model keputusan OpenAI sendiri – dengan beberapa pengembang mencatat bahwa indeks Analisis Buatan, yang mencakup biaya per tugas dan kalibrasi serta akurasi, adalah satu-satunya perbandingan lintas vendor yang mereka percayai.
Mengapa Itu Penting
Kami telah membahas peningkatan kategori ini langkah demi langkah: model sistem-satu Jev TypeSafe, Keputusan-1 Microsoft yang dibangun di atas Qwen, dan API Keputusan Google dengan model Keputusan-1 Gemini. Kebingungan pengiriman v1.3 menegaskan pola tersebut — setiap platform AI utama kini ingin memiliki lapisan tempat pilihan terstruktur dibuat, karena lapisan tersebut berada di depan segalanya: triase dukungan, pemrosesan dokumen, pemanggilan alat, moderasi, pemeriksaan kepatuhan.
Perekonomian adalah intinya. Model penalaran dapat mengungguli model keputusan dalam hal akurasi, namun pada volume tinggi, latensi dan biayanya menjadikannya alat yang salah untuk jutaan klasifikasi harian. Model keputusan memperdagangkan kecerdasan umum untuk jawaban panggilan tunggal yang terkalibrasi, invarian, dan seperti yang ditunjukkan oleh debat Hacker News, pembeli kini menilai perdagangan tersebut dengan tolok ukur dan beban kerja nyata.
Pengambil keputusan v1.3 akan hidup atau mati pada kartu skor tersebut. Namun kategorinya sendiri jelas sudah tiba.
---
Tetap Terdepan dalam AIDapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.
Baca berita AI selengkapnya →
