تُصدر Perplexity نموذجي Decider V1.3 مع إمكانية استخراج المقاطع النصية

أصدرت Perplexity نموذجي Decider v1.3 وDecider Flash v1.3 في 12 نوفمبر 2026، وأضافت إليهما استخراج المقاطع النصية حرفيًا وإتاحة الأوزان للتنزيل بموجب ترخيص Apache-2.0. وتفيد الشركة بأن متوسط دقة النموذج الأكبر بلغ 91.6% عبر 63 مهمة لتصنيف الاستعلامات، استنادًا إلى مراجع أعاد نموذج لغوي كبير متقدم تصنيفها بصورة مستقلة، أي أعلى بـ6.54 نقاط مئوية من مصنفاتها المستخدمة في الإنتاج.

تعيد ميزة Locate النص المطابق بدقة، مع موضعي بداية المقطع ونهايته بالأحرف، لاستخدامه في التعرف على الكيانات المسماة واكتشاف المعلومات الشخصية والإجابة عن الأسئلة بالاستخراج؛ وإذا لم يُعثر على تطابق، فتُعاد قائمة فارغة. ويتاح النموذجان أيضًا عبر OpenRouter وواجهة Decisions API من Perplexity.

يعيد Decider احتمالات للإجابة عن أسئلة بنعم أو لا، أو للاختيار من بين خيارات مخصصة، أو لتقديم درجات مرتبة، بدلًا من إنشاء نصوص. ويمكن للتطبيق طرح عدة أسئلة عن النص نفسه أو ملف JSON أو الصور نفسها، ثم استخدام الأرقام الناتجة في التصنيف وتوجيه الطلبات والإشراف والتصفية وتقييم المخرجات وإعادة ترتيبها. وغالبًا ما تتطلب هذه المهام تحديد عتبة لاتخاذ القرار، لا إنشاء إجابات بصياغة حرة.

تغييرات في البنية والتدريب

يكيّف Decider البنى الأساسية التوليدية باستبدال إخراج الرمز التالي برأس لاتخاذ القرار، تُقرأ مخرجاته عند رمز علامة. ولا يبدأ هذا الرأس إلا من صفوف النموذج الأساسي المرتبطة برموز خيارات الإجابة. وفي الإصدار v1.3، تجعل Perplexity طبقات الانتباه الكامل ثنائية الاتجاه، وتعزل الأسئلة بحيث لا ينتبه بعضها مباشرةً إلى بعض، مع السماح لحالة الإدخال المشتركة بالانتباه إلى الأسئلة. ويحل ذلك محل ترتيب الإصدار v1.2، الذي كان من الممكن أن تتغير فيه الإجابة تبعًا للأسئلة الأخرى المطروحة، وصُمم هذا التغيير لجعل الإجابات أكثر استقرارًا.

يحوّل التدريب مئات مجموعات البيانات العامة إلى تنسيق موحد يضم الحالة والسؤال والخيارات والهدف. ويستبعد الضبط الدقيق العام تقسيمات التدريب الخاصة بالمعايير المرجعية، كما تقول Perplexity إنها تزيل أيضًا العينات التي قد تتداخل مع تقييماتها. ويستخدم التخصيص اللاحق للمجالات والرؤية تقنية LoRA، وهي طريقة تُجمّد الأوزان المدرّبة مسبقًا مع تدريب مصفوفات تحليل الرتبة المُضافة. وتستخدم Perplexity عمليات دمج موزونة للمهايئات للحد من الانحراف، كما تحسب متوسط الأوزان عبر ثلاث عمليات تشغيل لمراحل النص.

يُشتق نموذج Flash لاحقًا بالتقطير من النموذج الأكبر، باستخدام تباعد KL لتقليل الفارق بين احتمالات مخرجاته واحتمالات النموذج المعلّم، بدلًا من الاقتصار على التعلم من التسميات الصحيحة. وتحدد بطاقة نموذج Decider v1.3 بنية أساسية Qwen3.8-27B ونحو 49 GiB من أوزان BF16؛ أما بطاقة Decider Flash v1.3 فتحدد Qwen3.5-4B ونحو 8.5 GiB. ويتطلب استضافة أي من النموذجين ذاتيًا وحدة معالجة رسومات CUDA وذاكرة عاملة إضافية تتجاوز مساحة الأوزان، ما يجعل متطلبات Flash من الأجهزة أقل.

قيود تشغيل Locate

تقتصر Locate على النصوص، ولا تقبل أكثر من 128 سؤالًا من نوع Locate في الطلب الواحد. وتتطلب الطلبات التي تجمع بين Locate وأسئلة اتخاذ القرار تمريرات أمامية منفصلة لكل نوع، ما يزيد زمن الاستجابة مقارنةً بالطلبات التي تقتصر على نوع واحد.

تُبقي Perplexity مهايئات Locate غير مدمجة، لأن دمجها تسبب في تراجع الأداء عند معالجة طلبات اتخاذ القرار العادية؛ ولا تُفعّل هذه المهايئات إلا لطلبات Locate. ويحافظ هذا التصميم على سلوك اتخاذ القرار الحالي، لكن أحمال العمل المختلطة لا تستطيع مشاركة الحسابات نفسها بالكامل.

التقييم والاستخدام في الإنتاج

تضم مجموعة التقييم الداخلية لدى Perplexity أكثر من 200 مهمة، وتُشغّل بأسلوب التقييم الصفري، من دون ضبط دقيق خاص بكل مهمة. وتضيف الشركة إلى لوحات المتصدرين العامة مهامًا خاصة بالإنتاج وتقييمات محجوبة من مجموعات بيانات عامة غير مخصصة للمعايير المرجعية، للتحقق من قدرة النموذج على التعميم خارج مجموعات التقييم المألوفة.

عبر 72 مهمة للاسترجاع، تفيد الشركة بأن متوسط nDCG@10 بلغ 83.99 عند إعادة الترتيب النقطية بأسلوب التقييم الصفري، حيث تُقيّم كل مجموعة من استعلام ووثيقة بصورة مستقلة، متقدمًا بذلك بـ1.81 نقطة على Qwen3-Reranker-8B.

لإجراء فحص في بيئة الإنتاج، أخذت Perplexity عينة من مليون طلب إلى واجهة API بعد إزالة التكرارات وحجب المعلومات الشخصية، من أول 18 يومًا من إتاحتها. وشملت العينة 2,318,887 سؤالًا فرديًا، أُدرجت جميعها بإذن صريح من المستخدمين لأغراض البحث. وقدمت نماذج لغوية كبيرة متقدمة أحكامًا مرجعية، لأن طلبات الإنتاج تفتقر إلى تسميات للحقيقة الأساسية.

وتفيد Perplexity بأن نسبة التوافق مع تلك الأحكام بلغت 93.98% في الإصدار v1.3، مقابل 93.68% في الإصدار v1.2. والفارق محدود، كما أن هذا المقياس يثبت التوافق مع مراجع أنشأتها النماذج، لا الدقة مقارنةً بتسميات الحقيقة الأساسية.

وبالنسبة إلى عينة الطلبات نفسها، تفيد Perplexity بأن تكاليف Decider v1.3 بلغت 26.47 دولارًا، مقابل 13.24 دولارًا لـFlash. وشُغّل Decider محليًا؛ لكن المقارنة لا تحدد طريقة احتساب تكاليف الأجهزة المحلية، ولا تقدم نتائج متطابقة لزمن الاستجابة، لذا تصف الأرقام عبء العمل هذا، لا ميزة عامة من حيث التكلفة أو السرعة.

وتستخدم Perplexity أيضًا Decider دون اتصال لمراجعة سجلات أمان الوكلاء بحثًا عن المشكلات التي لم تُكتشف والإنذارات الكاذبة. وفي يوم واحد أُعلن عنه، عالج النظام مليار رمز عبر 7,000 جلسة للوكلاء، وحدد ثغرات أدت إلى اقتراح 14 تعديلًا للقواعد، اعتُمد ستة منها ونُشرت خلال يومين. وأدت إعادة تشغيل سجلات أسبوع باستخدام التعديلات إلى خفض حجم القاعدة الأكثر انشغالًا بنسبة 52%، فيما رصدت القواعد الموسّعة نحو 40% من الإجراءات المشروعة الإضافية التي تستدعي التحقيق.

يخزّن نظام داخلي ثانٍ احتمالات إخفاقات التعلّم المعزّز وتفسيرات الوكلاء، ما يتيح تغيير العتبات دون الحاجة إلى استعلامات جديدة من Decider. وهو يقتصر على الرصد والتشخيص، ولا يغيّر المكافآت أو يوقف عمليات التشغيل مطلقًا. كذلك، يرشّح Decider الصفحات منخفضة الجودة التي جرى جمعها بالزحف، فيما يقيّم في العملية نفسها الجمهور والنطاق والمحتوى الضار أو غير القانوني والمعلومات الشخصية.

توصي Perplexity بمعايرة عتبات القرار باستخدام أمثلة موسومة تمثّل الحالات الفعلية، لأن تواتر الفئات وتكاليف الإيجابيات والسلبيات الكاذبة تختلف باختلاف التطبيق. وتطرح النموذج الكامل للأحكام الدقيقة التي تكون فيها الأخطاء مكلفة، وFlash للأعمال ذات الحجم الكبير التي تفرض قيودًا من حيث زمن الاستجابة والتكلفة.

لذلك، يترافق اتساع نطاق Decider مع أعباء النشر: فالاحتمالات نفسها التي تجعله قابلًا لإعادة الاستخدام في مهام مختلفة تظل بحاجة إلى عتبات خاصة بكل تطبيق، كما أن قدرة الاستخراج الإضافية في Locate تستلزم مزيدًا من الحوسبة عند التعامل مع الطلبات المختلطة.