Perplexity、テキストスパン抽出に対応したDecider V1.3モデルをリリース

Perplexityは2026年11月12日、Decider v1.3とDecider Flash v1.3をリリースし、テキストスパンの逐語抽出機能とダウンロード可能なApache-2.0ライセンスの重みを追加した。同社によると、最先端LLMが独立して再ラベル付けした参照データを用いた63のクエリ分類タスクで、大型モデルの平均正解率は91.6％に達し、本番環境の分類器を6.54パーセントポイント上回った。

新機能のLocateは、固有表現認識、個人情報の検出、抽出型質問応答において、一致したテキストとその開始・終了文字位置を正確に返す。一致するものがない場合は空のリストを返す。両モデルはOpenRouterとPerplexityのDecisions APIからも利用できる。

Deciderは文章を生成する代わりに、「はい／いいえ」の質問、独自の選択肢、または順序付けされたスコアについて確率を返す。アプリケーションは同じテキスト、JSON、画像に対して複数の質問を行い、返された数値を分類、リクエストの振り分け、モデレーション、フィルタリング、出力評価、再ランキングに利用できる。こうしたタスクでは、自由形式の生成ではなく、判定しきい値が必要となることが多い。

アーキテクチャと学習方法の変更

Deciderは、次のトークンを出力する代わりに、マーカートークンの位置で読み取る判定ヘッドを使うことで、生成モデルの基盤を適応させている。このヘッドは、回答の選択肢に対応するベースモデルの行だけを初期状態として用いる。v1.3では、Perplexityは全注意層を双方向にし、質問同士が互いに直接注意を向けないようにする一方、共有入力状態から各質問への注意は可能にしている。これは、ほかにどのような質問をしたかによって回答が変わることがあったv1.2の構成に代わるもので、回答の安定性を高めることを目的としている。

学習では、数百の公開データセットを、状態、質問、選択肢、ターゲットを共通形式にまとめる。汎用ファインチューニングではベンチマークの学習用分割を除外しており、Perplexityによると、評価データと重複する可能性のあるサンプルも取り除いている。その後のドメイン特化および視覚分野への特化には、事前学習済みの重みを固定したまま、追加した低ランク分解行列を学習する手法であるLoRAを使用する。Perplexityは、モデルのずれを抑えるために重み付きアダプター統合を行い、テキスト段階では3回の実行で得た重みを平均している。

その後、Flashは大型モデルから蒸留される。正解ラベルだけを使って学習するのではなく、KLダイバージェンスを用いて、出力確率が教師モデルの出力確率と異なる度合いを小さくする。Decider v1.3のモデルカードには、Qwen3.8-27Bを基盤とし、BF16形式の重みがおよそ49 GiBと記載されている。Decider Flash v1.3のモデルカードには、Qwen3.5-4Bを基盤とし、およそ8.5 GiBと記載されている。どちらのモデルもセルフホスティングにはCUDA対応GPUと、重み以外の作業用メモリが必要となるため、Flashのほうが必要なハードウェアを抑えられる。

Locateの提供上の制限

Locateはテキストのみを対象とし、1リクエストあたりのLocate質問数は最大128件に制限されている。Locateの質問と判定用の質問を混在させたリクエストでは、それぞれの種類について個別に順伝播を行う必要があり、どちらか一方だけを含むリクエストより遅延が大きくなる。

Locateアダプターを統合すると通常の判定リクエストの性能が低下したため、Perplexityはアダプターを統合せず、Locateリクエストに限って有効化している。この設計では従来の判定動作を維持できるが、複数種類の処理が混在するワークロードでは、計算を完全に共有できない。

評価と本番環境での利用

Perplexityの社内評価スイートには200を超えるタスクが含まれ、タスク固有のファインチューニングを行わないゼロショットで実行される。公開リーダーボードに加え、非公開の本番タスクや、一般的な評価スイート以外への汎化性能を確認するための、公開された非ベンチマークデータセットの保留評価も用いている。

72の検索タスクにおいて、同社によると、各クエリと文書の組み合わせを個別にスコアリングするゼロショットのポイントワイズ再ランキングで、nDCG@10の平均値は83.99となり、Qwen3-Reranker-8Bを1.81ポイント上回った。

本番環境での検証として、PerplexityはAPIの提供開始から最初の18日間に寄せられたリクエストから、個人情報をマスキングしたうえで重複を除いた100万件を抽出した。このサンプルには個別の質問が2,318,887件含まれ、すべて研究利用についてユーザーから明示的な許可を得たものだった。本番リクエストには正解ラベルがないため、最先端LLMの判定を参照回答として用いた。

Perplexityによると、v1.3の判定一致率は93.98％で、v1.2の93.68％を上回った。ただし、その差はわずかであり、この指標が示すのはモデル生成の参照回答との一致であって、正解ラベルに対する正確さではない。

同じリクエストサンプルについて、PerplexityはDecider v1.3のコストを26.47ドル、Flashのコストを13.24ドルと報告している。Deciderはローカル環境で実行されたが、この比較ではローカルハードウェアの費用計算方法は明らかにされておらず、条件をそろえた遅延時間の結果も示されていない。そのため、これらの数値はこのワークロードでのコストを示すものであり、あらゆる環境に当てはまるコストや速度の優位性を示すものではない。

PerplexityはオフラインでもDeciderを使い、エージェントのセキュリティログを確認して、見逃された問題や誤警報を検出している。報告されたある1日には、7,000件のエージェントセッションにわたる10億トークンを処理し、ルールの修正案を14件提示した。そのうち6件は承認され、2日以内に反映された。修正を適用して1週間分のログを再生したところ、最も処理量の多いルールの件数は52％減少した一方、対象範囲を広げたルールは調査対象となる正当な行動を約40％多く検出した。

2つ目の内部システムは、強化学習の失敗やエージェントによる解釈に関する確率を保存し、新たにDeciderへ問い合わせることなく閾値を変更できるようにします。このシステムは観察と診断のみを行い、報酬を変更したり、実行を停止したりすることはありません。またDeciderは、同じ処理で対象読者、ドメイン、有害または違法なコンテンツ、個人情報を評価しながら、品質の低いクロール済みページを除外します。

Perplexityは、ラベルの出現頻度や偽陽性・偽陰性のコストが用途によって異なるため、代表的なラベル付きサンプルを使って判定閾値を調整することを推奨しています。モデル全体は、誤りのコストが高い、きめ細かな判断が求められる用途向けに位置づけられており、Flashはレイテンシとコストに制約のある大量処理向けです。

したがって、Deciderの幅広い用途には導入上の負担も伴います。タスクをまたいで再利用できる根拠となる同じ確率値にも、用途ごとの閾値設定が必要であり、Locateによる抽出機能の追加は、複合的なリクエストに対する計算量を増やします。