pplx-decider vs Decider: 27B Senyap milik Perplexity Melawan Open Ladder milik Mapika

Dua model keputusan saat ini ada di Hugging Face yang menjawab pertanyaan dengan cara yang sama dan hampir tidak menyetujui hal lain. pplx-decider adalah checkpoint 27B dari Perplexity yang muncul pada 2026-10-01 tanpa pengumuman, tanpa posting blog, tanpa halaman harga, dan tanpa penyedia inferensi yang membawanya; revisi, pplx-decider-v1.1, menyusul pada 2026-10-05 di atas backbone yang sama. Decider adalah keluarga Mapika dari kelas model yang sama — decider-0.8b sampai decider-35b-a3b, sebuah reproduksi terbuka dalam garis keturunan System One, yang dipublikasikan dengan catatan pelatihan lengkap. Keduanya menerima satu blok pertanyaan bernama plus sebuah dokumen dan mengembalikan probabilitas terkalibrasi untuk setiap jawaban dalam satu forward pass. Tak satu pun menuliskan satu kalimat prosa pun. Berikut ini adalah apa yang benar-benar tercatat untuk masing-masing, dan penanda yang jelas di mana pun catatan itu berhenti.

Pertama, apa fungsi "decision model" dalam kalimat itu?

Tidak satu pun dari ini adalah model chat yang diminta untuk bersikap ringkas. Ini sama sekali bukan model bahasa dalam pengertian biasa — tidak ada loop decoding, tidak ada sampling, tidak ada apa pun yang bersifat token demi token. Satu forward pass atas dokumen Anda mengembalikan probabilitas untuk setiap opsi yang Anda berikan.

Bentuk pemanggilan itulah yang membuat perbandingan ini layak ditulis. Anda menyerahkan sebuah state (tiket, rekaman JSON, tangkapan layar, kontrak) dan daftar pertanyaan bernama. Setiap pertanyaan menyebutkan tipe jawabannya: pilihan atas 2 hingga 255 opsi berlabel, pembacaan ya/tidak/tidak diketahui, atau skor pada 2 hingga 10 tingkat yang dijelaskan. Jawaban kembali dalam urutan Anda memintanya, sebagai angka antara 0 dan 1, dan angka itu dimaksudkan untuk dibaca sebagai probabilitas, bukan label yang rapi — 0,62 pada "apakah ada permintaan pengembalian dana?" adalah keseluruhan outputnya, dan pemanggil yang menentukan ambang batasnya.

Desain itu menghilangkan latensi dan biaya, karena dokumen dengan enam puluh pertanyaan hanya memerlukan satu kali proses, bukan enam puluh. Ini juga berarti cara-cara biasa untuk menilai model bahasa tidak berlaku: tidak ada jejak penalaran untuk dibaca, tidak ada rantai pemikiran untuk diperdebatkan, tidak ada cara untuk memintanya menjelaskan dirinya sendiri. Anda hanya mendapatkan massa probabilitas dan tidak ada yang lain. Kedua proyek itu secara eksplisit menyatakan bahwa inilah trade-off-nya.

Apa yang telah dirilis, dan apa yang belum dikatakan siapa pun

Repositori pplx-decider ini luar biasa lengkap untuk sebuah model yang tidak memiliki postingan peluncuran di belakangnya. Bobotnya berlisensi Apache-2.0. Basisnya adalah Qwen/Qwen3.8-27B, sebagaimana dinyatakan pada kartu model. Ada readout head yang dirilis dalam bf16 pada [255, 5120], yang persis merupakan bentuk yang Anda harapkan untuk 255 opsi yang dapat dipilih pada hidden state selebar 5.120. Kartu model tersebut mendokumentasikan anggaran input, batas maksimum opsi, tiga jenis pertanyaan, dan bentuk endpoint — POST /v1/systemone.

Yang tidak ada adalah kalimat yang biasanya dibawa oleh unggahan peluncuran. Tidak ada tanggal rilis di kartunya, tidak ada pengumuman, tidak ada unggahan tolok ukur dari Perplexity, tidak ada harga, dan tidak ada platform pihak ketiga yang menyediakannya. Jumlah unduhannya seukuran yang Anda dapatkan dari repositori yang ditemukan, bukan dipromosikan. Baca keduanya bersama-sama dan deskripsi jujurnya adalah: artefaknya publik, niat di baliknya tidak. Semua di bawah ini tentang pplx-decider berasal dari repositori dan kartu-kartunya. Tidak ada di bawah ini yang telah direproduksi secara independen, dan tidak ada orang di luar lab yang menerbitkan hasil eksekusi mereka sendiri.

Entri pustaka Ollama membuat celah itu terlihat dalam skala kecil. Halamannya mencantumkan tag tersebut sebagai 27b pada 17 GB dengan jendela konteks 256K — build terkuantisasi, jauh di bawah sekitar 49 GiB yang ditempati bobot bf16 — sementara repositori mendokumentasikan anggaran input teks-dan-gambar yang jauh lebih kecil dan menyatakan input yang terlalu besar ditolak, bukan dipotong. Kedua pernyataan itu tidak secara jelas menggambarkan batas yang sama, dan tidak ada publikasi yang menyelaraskan keduanya. Anggap angka runtime sebagai klaim runtime.

Bagian yang menarik: dua orang asing, satu antarmuka

Keluarga Decider milik Mapika dan pplx-decider dikembangkan secara independen, dari basis yang berbeda, untuk alasan yang berbeda, dan keduanya bertemu pada format wire yang sama. Model Decider juga menggunakan bentuk pemanggilan System One — pertanyaan bernama, pilihan di antara 2 hingga 255 opsi, tanpa pembuatan teks, state yang diterima hingga sekitar 32k. Klien yang ditulis untuk salah satunya, nyaris sama saja, adalah klien untuk yang lain.

Konvergensi itu adalah fakta yang berguna dalam perbandingan ini. Mana yang Anda pilih bukanlah penulisan ulang; itu hanya penukaran URL dasar dan string model. Pertanyaan yang menarik bukan lagi "API mana yang saya integrasikan", melainkan "pembacaan mana yang saya percayai pada dokumen saya" — dan kedua proyek menjawab pertanyaan itu dengan cara yang sangat berbeda.

Satu pos pemeriksaan melawan sebuah tangga

Perbedaan struktural adalah yang paling mudah dilihat. Perplexity merilis satu ukuran. Mapika merilis berbagai ukuran dan menerbitkan tabel ukuran:

• Katalog — pplx-decider: satu checkpoint 27B, plus revisi v1.1 pada backbone yang sama. Decider: tujuh lebih ukuran yang dipublikasikan, dari decider-0.8b pada 1,4 GB hingga decider-2b, decider-2b-vision, decider-4b, decider-12b, dan decider-35b-a3b pada 65 GB bf16 atau 19,6 GB dalam nvfp4.

• Basis — pplx-decider: Qwen/Qwen3.8-27B, satu garis keturunan. Penentu: campuran — Qwen3.5-0.8B, Qwen3.5-2B dan Qwen3.5-4B untuk ukuran kecil, Qwen3.5-35B-A3B untuk yang besar, serta gemma-4-12B-it dan gemma-4-31B-it pada varian chat.

• Aktivasi — pplx-decider: dense 27B, jadi setiap parameter berjalan pada setiap panggilan. Decider: decider-35b-a3b adalah campuran — total 34.7B dengan sekitar 3B aktif di 256 pakar yang dirutekan, 8 di antaranya aktif per token.

• Vision — pplx-decider: multimodal, dan repositori menyatakannya; teks, JSON, dan gambar termasuk tangkapan layar, tanda terima, dan formulir, dengan token visi berbiaya sekitar lebar × tinggi / 1024. Decider: checkpoint decider-2b-vision terpisah, bukan flag pada jalur utama, sehingga pekerjaan gambar adalah pilihan model yang berbeda, bukan argumen yang berbeda.

• Lisensi — Apache-2.0 di kedua sisi, yang menjadi satu-satunya bagian di mana perbandingan ini membosankan.

• Pengungkapan pelatihan — pplx-decider: sebuah pipeline data yang dibangun di atas Bespoke Nimble milik Bespoke Labs, dengan subset benchmark yang dipatok berdasarkan ID rekaman dan checksum, serta peningkatan v1.1 dikreditkan karena menghapus causal mask dan menambahkan data termasuk tasksource. Decider: catatan per versi dengan jumlah item, perangkat keras, dan wall-clock — decider-35b-a3b dilatih pada 4× B300 selama 394 menit untuk 1.543.567 item — plus mode kegagalan yang disebutkan dan porsi parameter yang benar-benar dilatih, 2,45B dari 34,7B.

Tidak satu pun dari keduanya merupakan keunggulan yang menentukan. Checkpoint tunggal lebih sederhana untuk dipahami, lebih mudah dilayani, dan mustahil diperkecil ukurannya. Tangga memungkinkan Anda menempatkan decider-0.8b di belakang pra-filter yang murah dan hanya membelanjakan 35B untuk item yang membutuhkannya — tetapi hanya jika Anda bersedia memelihara logika perutean yang menentukan mana yang mana.

Angka-angkanya, dan siapa yang menghasilkannya

Kedua set angka utama itu dilaporkan oleh vendor, dan tidak satu pun disertai replikasi independen. Hal itu lebih penting di sini daripada biasanya, karena tidak ada papan peringkat model keputusan pihak ketiga yang setara dengan arena gambar atau bahasa.

Angka milik Perplexity sendiri untuk pplx-decider menempatkannya pada 85,7% di 11 tolok ukur publik, dibandingkan dengan 84,5% untuk Jev dan 74,8% untuk basis Qwen3.8-27B yang menjadi dasar pelatihannya. Baris individual yang dilaporkan meliputi RAGTruth 88,8, FinancialPhraseBank 84,2, TabFact 90,6, JudgeBench 78,3 dan WinoGrande 83,3, dengan kumpulan yang lebih lengkap mencakup Circa, Belebele, TruthfulQA biner, BBH, ContractNLI dan split sulit publik dari JevBench. Revisi v1.1 melaporkan keseluruhan berbobot suite sebesar 61,56 dibandingkan 56,4 untuk v1 dan 57,9 untuk Jev, dengan perolehan terbesar dalam satu kategori pada tugas bahasa. Perbandingan dengan Jev adalah milik vendor, dihitung pada suite milik vendor sendiri, dan pembobotannya tidak dipublikasikan.

Pelaporan Mapika memiliki tekstur yang berbeda: angka-angka datang disertai catatan-catatan yang melemahkannya. decider-35b-a3b melaporkan 0.855 in-task dan 0.810 held-out dibandingkan basis zero-shot 0.732, dan 0.676 pada split hard publik JevBench — di bawah 0.730 milik Jev 1.13.0. Kartu tersebut juga menyatakan tidak ada tahap penguatan, sehingga permainan tersampel berada di 86.4% dibandingkan 93.2% milik decider-2b v10, dan bahwa model terlalu percaya diri pada item tersulit, dengan kesalahan kalibrasi yang diharapkan sebesar 0.15 pada tier hard. decider-2b v11 dilaporkan sebesar 0.802 in-task dan 0.752 held-out dengan ECE 0.156 dibandingkan pedoman rilis yang dinyatakan sebesar 0.08 — sebuah kekeliruan, yang dicetak oleh para penulis.

Dua mode kegagalan yang terdokumentasi layak dibawa ke evaluasi apa pun yang Anda jalankan. Memilih record berdasarkan posisinya dalam array JSON yang panjang dijelaskan sebagai bentuk input paling tidak akurat yang ditangani keluarga ini, dan menggabungkan beberapa pertanyaan independen ke dalam satu panggilan dapat membalik hingga 12% jawaban saat flag independen nonaktif. Keduanya adalah jenis hal yang disembunyikan oleh lembar spesifikasi dan hanya disebut sekali oleh kartu.

Berapa biaya untuk menjalankan salah satunya

• Decider terkecil yang dapat dipakai — decider-0.8b berukuran 1,4 GB. pplx-decider tidak memiliki varian kecil, jadi batas bawahnya adalah 27B penuh.

• Decider Terbesar — decider-35b-a3b pada 65 GB bf16 atau 19,6 GB nvfp4, dengan hanya sekitar 3B parameter yang aktif per token.

• Latensi, sisi Decider — decider-2b berjalan 4 ms per permintaan dengan CUDA graphs pada B300, turun dari 18,9 ms mode eager, dan sekitar 2.700 keputusan per detik pada batch 32. Model 35B adalah dunia yang berbeda: sekitar 47 ms untuk tiket 92 token dengan tiga pertanyaan, 368 ms untuk 64 tiket.

• Latensi, sisi pplx-decider — tidak ada yang dipublikasikan. Kartu-kartu tersebut sama sekali tidak memberikan angka throughput atau latensi, yang wajar untuk repositori yang belum diluncurkan.

• Biaya per keputusan — di sinilah rancangan itu membuahkan hasil di kedua sisi. Enam puluh pertanyaan pada satu dokumen adalah satu forward pass dalam kedua pendekatan, sehingga biaya per keputusan merosot tajam saat Anda mengajukan lebih banyak pertanyaan terhadap dokumen yang sama.

Berikut gambaran routing yang jujur. OrcaRouter tidak melayani pplx-decider, dan tidak melayani keluarga Decider milik Mapika — keduanya tidak muncul di katalog, dan tidak ada apa pun dalam artikel ini yang boleh dibaca sebagai klaim sebaliknya. Yang memang ada di katalog pada kelas ini saat ini adalah typesafe/jev-1.13, sebuah model keputusan dengan bentuk System One yang sama dengan jendela 65.536 token yang diekspos melalui endpoint POST /v1/systemone yang sama dengan harga $0.042 per juta token input, yang merupakan jangkar berguna untuk mengetahui berapa biaya model keputusan yang dirutekan. Jika Anda mengevaluasi checkpoint yang belum diumumkan seperti pplx-decider, cara melakukannya tanpa mempertaruhkan jalur produksi padanya adalah dengan menjalankannya sendiri bersama model yang dirutekan di balik satu API untuk 200+ model — harga daftar penyedia diteruskan dengan markup 0%, jadi ketika proyek-proyek ini nantinya mencapai penyedia inferensi, harga daftar adalah harga di sini pada hari yang sama. Sampai saat itu, pplx-decider yang di-host sendiri di samping typesafe/jev-1.13 yang dirutekan adalah perbandingan yang benar-benar akan memberi tahu Anda sesuatu.

Yang mana yang harus dipilih

Jika Anda membutuhkan model keputusan hari ini, di perangkat keras Anda sendiri, pada ukuran yang Anda pilih, dengan catatan pelatihan yang dapat Anda audit dan lisensi yang tidak menuntut apa pun dari Anda, jawabannya adalah checkpoint Decider, dan satu-satunya pertanyaan nyata adalah tingkat yang mana. Mulailah dari decider-2b; angka v11 menunjukkan keluarga ini meningkat dibandingkan v10-nya sendiri tepat pada split sulit yang akan Anda pedulikan, dan celah ECE yang terdokumentasi memberi tahu Anda untuk menyesuaikan ulang temperature sebelum Anda memercayai probabilitas di produksi.

Pilih pplx-decider jika Anda menginginkan antarmuka yang sama dengan model dense yang lebih besar di baliknya, jika input gambar penting dan Anda lebih suka tidak menjalankan checkpoint kedua, atau jika Anda termasuk tim yang lebih memilih mengevaluasi sendiri readout head sebuah lab frontier daripada menunggu tulisan peluncuran yang mungkin tak kunjung datang. Keunggulannya nyata tetapi belum terverifikasi: backbone yang lebih besar, tabel benchmark yang membuatnya tampak unggul, dan pipeline pelatihan yang didokumentasikan hingga checksum tingkat record.

Yang perlu diperhatikan bukanlah tolok ukur. Ini tentang apakah pplx-decider sama sekali menjangkau penyedia inferensi. Repositori berisi bobot tanpa pengumuman adalah sinyal, bukan produk; begitu ia muncul di endpoint yang dihosting, pertanyaan harga versus latensi yang sudah dijawab oleh kartu Decider menjadi perbandingan nyata alih-alih angan-angan.

Jalankan pplx-decider yang dihosting sendiri di samping model keputusan yang dirutekan di balik harga daftar penyedia yang diteruskan dengan markup 0% , sehingga ketika salah satu proyek mencapai penyedia inferensi, harga yang tercantum adalah harga di sini pada hari yang sama.

Checkpoint baru yang diukur terhadap ladder yang dipublikasikan juga merupakan tempat yang baik untuk memeriksa rekam jejak: insiden AI dan kegagalan agen yang terdokumentasi seputar model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.