Perplexity ने Decider v1.3 वर तपशीलवार पोस्ट प्रकाशित केली आहे, त्याच्या निर्णय मॉडेल कुटुंबाची नवीनतम आवृत्ती, "Perplexity Decider v1.3: Training, eval, and use case." पोस्ट शुक्रवारी हॅकर न्यूजच्या पहिल्या पानावर आली आणि काही तासांतच 140 हून अधिक गुण मिळवले, विकसकांनी बेंचमार्क परिणामांचा व्यापार केला आणि ही मॉडेल्स प्रत्यक्षात कुठे बसतात यावर वाद घालत आहेत. याबद्दल अधिक माहितीसाठी आणि इतर ब्रेकिंग एआय न्यूज, आम्ही प्रत्येक मॉडेल रिलीज होताच फॉलो करतो.

लक्ष एका अपडेटकडे कमी आणि थ्रेड काय प्रकट करते याकडे अधिक आहे: अवघ्या एका वर्षात, निर्णय मॉडेल त्यांच्या स्वत: च्या बेंचमार्कसह, त्यांच्या स्वतःच्या किंमती तर्क आणि स्पर्धात्मक क्षेत्रासह उत्सुकतेतून गर्दीच्या श्रेणीत गेले आहेत ज्यात आता Perplexity, TypeSafe, Microsoft, Google, Cloudflare आणि OpenAI समाविष्ट आहे.

निर्णय मॉडेल प्रत्यक्षात काय करते

सर्वात स्पष्ट व्याख्या कृत्रिम विश्लेषणातून येते, स्वतंत्र मूल्यांकन प्रयोगशाळा ज्याचा निर्णय निर्देशांक v2.1 श्रेणीसाठी संदर्भ लीडरबोर्ड बनला आहे. त्याच्या स्पष्टीकरणात, निर्णय मॉडेल पर्यायांच्या निश्चित संचासह एक प्रश्न घेते — उदाहरणार्थ, बिलिंग किंवा तांत्रिककडे जावे की नाही, ते तातडीचे आहे की नाही आणि ग्राहक किती नाराज आहे हे विचारणारे समर्थन तिकीट — आणि प्रत्येक पर्यायासाठी संभाव्यता संलग्न असलेले उत्तर परत करते, सर्व एकाच कॉलमध्ये.

एक सामान्य-उद्देशीय भाषा मॉडेल, याउलट, एक संरचित आउटपुट व्युत्पन्न करते ज्याला नंतर विश्लेषित करावे लागते आणि तर्क मॉडेल उत्तर देण्यापूर्वी अतिरिक्त गणना विचारात खर्च करते. निर्णय मॉडेल ते वगळतात. त्यांना निवडण्यासाठी प्रशिक्षित केले जाते, स्पष्टीकरण देण्याचे नाही, जे त्यांना प्रत्येक दस्तऐवजावर, प्रत्येक विनंतीवर, उच्च व्हॉल्यूमवर चालवण्यास जलद आणि स्वस्त बनवते.

श्रेणी कशी मोजली जाते

कृत्रिम विश्लेषण निर्णय निर्देशांक v2.1, सार्वजनिक कार्यपद्धती पृष्ठासह अद्यतनित, प्रकाशित वजनासह सहा मूल्यमापन एकत्र करते: AA-पेपरक्लिप 30 टक्के, जे 1,500 रेझ्युमे, पावत्या, पावत्या आणि संशोधन पेपर निर्णय आणि तथ्य निष्कर्षाद्वारे चालवते; EvalSafe-ONET-AA, 15 टक्के दराने, TypeSafe च्या ONET बेंचमार्कवर आधारित, कामाच्या ठिकाणच्या दस्तऐवजांबद्दल निर्णय; When2Call at 10 टक्के, NVIDIA चे टूल-कॉलिंग मूल्यमापन; AA- सर्वज्ञान-निर्णय v1.1 ज्ञान आणि भ्रमासाठी 15 टक्के; HLE-MultiChoice v1.1 15 टक्के, ह्युमॅनिटीच्या शेवटच्या परीक्षेतील मजकूर-केवळ बहु-निवडीचे प्रश्न नाकारण्याच्या पर्यायासह; आणि AA-सममिती v1.1 15 टक्के, जे निर्णय घेते की त्याचे पर्याय हलवले जातात, पुन्हा शब्दबद्ध केले जातात किंवा नाकारले जातात हे तपासते.

ती शेवटची चाचणी सांगते. जेव्हा तुम्ही पर्यायांचा क्रम उलटा करता तेव्हा त्याचे उत्तर पलटवणारे मॉडेल प्रत्यक्षात ठरवत नाही — ते पॅटर्न-मॅचिंग आहे. कॅलिब्रेशन, इन्व्हेरिअन्स आणि कधी नाकारायचे हे जाणून घेणे याला प्रथम श्रेणीच्या आवश्यकता मानल्या जातात, बोनस नाही.

हॅकर न्यूज थ्रेड काय जोडतो

Perplexity ने प्रथम ऑक्टोबरच्या सुरुवातीस हगिंग फेसवर कुटुंबातील 27-अब्ज-पॅरामीटर सदस्य, pplx-decider-v1-27b, ओपन-वेट केले, त्यामुळे समुदायाने या मॉडेल्सवर आठवड्यांपासून हात ठेवले आहेत. v1.3 ची प्रतिक्रिया अशा प्रकारे मिश्रित होती जी एखाद्या हायप सायकल ऐवजी निरोगी बाजारासारखी वाचते.

एका डेव्हलपरने नोंदवले की डिसाइडर v1.3 ने एंटिटी एक्स्ट्रॅक्शन आणि मॅचिंग टास्कसाठी त्यांच्या अंतर्गत इव्हल्सवर v1.2 आणि TypeSafe च्या Jev 1.14 पेक्षा जास्त फायदा दर्शविला आहे. दुसऱ्याने सांगितले की ते त्यांच्या स्थानिक बेंचमार्कवर चांगले कार्य करते आणि स्पर्धात्मक किंमत आहे, हे लक्षात घेऊन की द्विदिश-लक्ष आर्किटेक्चर निर्णयाच्या कार्यासाठी अनुकूल असू शकते. इतरांनी मागे ढकलले: एका टिप्पणीकर्त्याला त्यांच्या वापराच्या केससाठी v1.3 एक पाऊल मागे आढळले आणि सार्वजनिक निर्देशांकाने सहमती दर्शवली आणि दुसऱ्याने प्रश्न केला की फ्लॅश प्रकार स्वस्त, अचूक मोठ्या प्रमाणात निर्णय घेण्याचे मुख्य वचन कमी करतात का.

या धाग्याने आजूबाजूच्या इकोसिस्टमचे दर्शन घडवले — क्लाउडफ्लेअरचे क्लीफ निर्णय मॉडेल आणि क्लेरिक एक्स्ट्रॅक्शन मॉडेल, स्केलडाउन API, लिक्विडचे डी1 आणि ओपनएआयचे स्वतःचे निर्णय मॉडेल — अनेक विकासकांनी लक्षात घेतले की कृत्रिम विश्लेषण निर्देशांक, ज्यामध्ये प्रत्येक कार्याचा खर्च आणि कॅलिब्रेशनचा समावेश आहे, ते केवळ अचूकतेवर विश्वास ठेवतात.

हे महत्त्वाचे का आहे

आम्ही या श्रेणीतील वाढ टप्प्याटप्प्याने कव्हर केली आहे: TypeSafe चे Jev सिस्टम-वन मॉडेल, Microsoft चे Qwen वर तयार केलेले निर्णय-1 आणि Google चे Decisions API त्याच्या Gemini Decision-1 मॉडेलसह. पेरप्लेक्सिटी शिपिंग v1.3 पॅटर्नची पुष्टी करते — प्रत्येक प्रमुख AI प्लॅटफॉर्मला आता त्या लेयरची मालकी हवी आहे जिथे संरचित निवडी केल्या जातात, कारण तो स्तर प्रत्येक गोष्टीसमोर बसतो: सपोर्ट ट्रायज, दस्तऐवज प्रक्रिया, टूल कॉलिंग, मॉडरेशन, अनुपालन तपासणी.

अर्थशास्त्र हा मुद्दा आहे. तर्कसंगत मॉडेल अचूकतेवर निर्णयाच्या मॉडेलला उत्तर देऊ शकते, परंतु उच्च व्हॉल्यूममध्ये त्याची विलंबता आणि खर्च हे लाखो दैनंदिन वर्गीकरणासाठी चुकीचे साधन बनवते. निर्णय मॉडेल कॅलिब्रेटेड, अपरिवर्तनीय, एकल-कॉल उत्तरांसाठी सामान्य बुद्धिमत्तेचा व्यापार करतात आणि हॅकर न्यूज डिबेट दर्शविते, खरेदीदार आता वास्तविक बेंचमार्क आणि वास्तविक वर्कलोडसह त्या व्यापाराची श्रेणी करत आहेत.

Decider v1.3 त्या स्कोअरकार्डवर जगेल किंवा मरेल. परंतु श्रेणी स्वतःच स्पष्टपणे आली आहे.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →