pplx-decider-flash：リポジトリから読み解く、Perplexityの静かな4Bジャッジ

Perplexity はpplx-decider-flash-v1.2を、2026年10月15日16:57 UTC に Hugging Face へアップロードしました。それは、pplx-decider-v1.2をアップロードしてからおよそ9時間後のことでした。この大規模意思決定モデルは、マーケティングでは27B、モデルカードでは26Bと呼ばれています。企業ブログにはローンチ投稿が見つかりませんでした。その後、X の開発者アカウントによるスレッド、Decisions API ドキュメントの一節、そして3日後の GGUF 変換が続きました。これが公開記録のすべてであり、モデルを正確に説明するには十分ですが、あなたのデータで優れているかどうかを判断するには十分ではありません。

以下では、人が往々にして混同しがちな三つの事柄を切り分ける。リポジトリが証明していること、ベンダーのドキュメントが述べていること、そしてPerplexityの外部では誰も検証していないことだ。最後のカテゴリーは、最初の二つより大きい。

実際に出荷されたのは何で、それは何日だったのか

リポジトリのタイムラインは明白です。Perplexityはpplx-decider-v1-27bを2026年10月1日に作成し、pplx-decider-v1.1-27bを10月5日に、v1.2チェックポイントを2つとも10月15日に、そしてpplx-decider-flash-gguf-v1.2を10月18日に作成しました。Flashチェックポイントはその日の2番目のアップロードで、これはペアリリースの典型的な形です。つまり、フラッグシップが最初に、その後に蒸留された小型の兄弟分が続き、両方が同じ発表の下に収まるのです。

その順序はフレーミングにとって重要だ。これは、事務手続きより先に流出したリークモデルでも、はぐれリポジトリでもない。意図的に公開上の足跡を軽くした協調的リリースだ——ローンチ用の論考ではなく開発者スレッド、ベンチマークハブではなくドキュメント。Hugging Face APIによると、11月4日時点でベースチェックポイントは4,667ダウンロード、GGUF変換版は9,428ダウンロード、いいねは63。Hugging Faceのダウンロード数は弱いシグナルだ。リクエストを数えており、個別ユーザーを数えていないうえ、ミラー経由のトラフィックで水増しされる。これは、本物だが控えめなオープンウェイトの利用者層とは整合するが、バイラルなドロップとは整合しない。

リポジトリがあなたに伝えていること

モデルカードはベンダーによる公開資料としては異例なほど技術的で、知り得る事柄の大半はそこから得られる。

• バックボーン — Qwen3.5-4B。完全な語彙の言語モデルヘッドの代わりに、形状[255, 2560]の別個のBF16読み出しヘッドを備えています。これは判断用チェックポイントであり、分類ラッパーを備えたチャットモデルではありません。

• サイズ — BF16で合計約9 GiBになる25ファイル。これは重みを保持するために必要な容量で、作業メモリはその上にさらに必要になります。

• パラメータ数 — APIドキュメントには4Bと記載され、モデルカードのヘッダーにはBF16で5Bとあり、あるサードパーティのインデックスでは4.5Bとされています。バックボーンは4Bモデルです。「4Bクラス」を正直な説明として扱い、測定値であるかのように単一の数値を引用しないでください。

• アテンション — フルアテンション層はリクエスト全体に対して非因果的に動作しますが、線形アテンション層は因果的なままです。ここが落とし穴です。標準的な因果的サービングスタックでは異なる数値が生成され、v1.1 向けに書かれたプロンプトは引き継げません。

• 読み出し位置 — ヘッドは最終トークンではなく、各<|fim_suffix|>マーカーで発火する。これにより、単一のフォワードパスで1つの状態に対して複数の質問をスコアリングできる。

• コンテキスト — max_lengthはデフォルトで262,144トークンに設定されており、バックボーンと一致します。トレーニングでは最大約32,000トークンのシーケンスが使用され、モデルカードには、より長い入力もサポートされるものの検証は少ないことが明記されています。

• 画像 — 上限は1.6メガピクセル（1,638,400ピクセル）、最小65,536ピクセルで、1.6MPの画像は約1,600ポジションを消費します。

• キャリブレーション — 保存された温度は1.554。1,497問の開発セットで、このカードは88.8%の精度、期待キャリブレーション誤差0.021、ブライアスコア0.163を報告しており、温度なしでは誤差が0.057に上昇する。自社のキャリブレーション数値と、それを省いた場合のコストを公表するベンダーは、意図された用途について確かなことを伝えている。

カードの一行が、API と突き合わせた途端に通用しなくなる。そこにはリポジトリは非公開で、アクセス権を持つトークンが必要だと書かれている。しかし Hugging Face API はgated: falseとprivate: falseを返し、重みはアクセス申請なしでダウンロードできる。カードの中の古びた一行など小さなことではあるが、それはそのカードが公開前に書かれ、その後読み返されなかったことを物語る類の小さなことなのだ。

APIドキュメントが追加する内容

価格設定は、Flash に関する議論の出発点です。Decisions API では、pplx-decider-flash-v1.2のコストは100万入力トークンあたり$0.01です。出力トークンは無料で、リクエストごとの料金もありません。通常の意味での出力トークンが存在しないためです — モデルは確率と期待スコアを返し、ドキュメントでは会計上、各質問を1つの出力トークンとして数えます。

同じページで運用範囲を設定します：

• エイリアス — pplx-decider-flash-latestは最新バージョンに追従するため、先週調整したしきい値が、アップデート後にいつの間にか別のモデルを指している可能性があります。重要なものにはバージョン付きIDを固定してください。

• レート制限 — 1分あたり4,000,000トークン、1時間あたり240,000,000トークン。組織レベルで両方の意思決定モデルに共有される1秒あたり10リクエストの上限があります。

• 質問タイプ — noulは、0から1までのP(yes)を返し、choiceは最大255個の選択肢にわたる確率を返し、scoreはルーブリックのレベル全体にわたる分布を返します。

• 質問の予算 — ドキュメントでは、1回のリクエストにつき1つの質問を推奨しています。これは文体上の注意ではなく、見積もられた価格と実際に支払う価格の違いなのです。

推奨を覆す課金ルール

27Bモデルは、リクエスト内のすべての質問に1回のグループ化されたパスで回答し、状態に対して一度だけ課金します。Flashは各質問を他の質問を見ることなく個別に回答し、質問ごとに状態へ再度課金します。ドキュメントには具体例が示されています。10,000トークンの状態に対して3つの質問を行うと、Flashでは約30,000入力トークンのコストがかかります。

計算してみましょう。10,000トークンの状態に対する質問1件のコストは、Flashで0.0001ドル、27Bで0.0002ドルです。質問2件ではFlashが0.0002ドル、より大きなモデルも0.0002ドルで、互角です。質問3件ではFlashが0.0003ドル、27Bが0.0002ドルです。クロスオーバーは状態あたり質問2件です。Perplexity自身のドキュメントには、より大きなモデルは質問3件以上で「通常はFlashより安くつく」とありますが、正確な分岐点はその1件手前であり、Flashが27Bの料金のちょうど半分になるあらゆる定価で当てはまります。

これは今回のリリースで最も役立つ点だが、見出しが50%割引なので見落としやすい。4Bモデルは半額でも、一度に一つずつしか尋ねない間だけ安上がりだ。

信用できない数字

Perplexityは両モデルのDecision Index 0.3スコアを報告しています。Flashは60.05（1リクエストにつき1問）で、58.88（複数問をまとめたリクエスト）でした。27Bは68.09（まとめたリクエスト）で、67.75（1リクエストにつき1問）です。Vision Decision Indexでは、Flashは72.53に対し77.43となっています。

カテゴリ別の内訳は見出しの数字よりも情報量が多く、4B がどこで後れを取っているかが分かります。Flash の joint-run の数値を 27B の joint-run の数値と比較すると：

• 知識 — 42.0 対 56.3。これは最大の差である14.3ポイントであり、モデルがオープンエンドな世界知識にそもそも対応できるかどうかを決める項目です。

• 言語 — 63.3 対 72.8。

• 検索 — 64.8対68.4。差は3.6ポイントで最も小さい。これは想定された役割に合致している。ある文章が質問に答えているかを判断するのは、答えを知っていることよりも軽いタスクだからだ。

• ツール — 76.7 対 84.4。

• 芸術 — 46.8 対 56.2。

• 総合 — 58.88 対 68.09.

これらの数値はすべて、Perplexityが管理するベンチマークに由来している。27Bのカード——この蒸留における教師モデル——は、トレーニング側について異例なほど率直だ。それによると、作業の一部では、いくつかのベンチマークが提供する公式のトレーニング分割を含めることで、モデルを一部のDecision Indexタスクに対して「in domain」にしたという。その分割は「テストセットに対してデコンタミネーション済み」で、比較の公平性を保つためだ。これはリリース周辺の報道が示唆していたよりも慎重な立場であり、それでもスコアボードはベンダーの手に委ねられたままだ。第三者による分割規律の監査は行われておらず、誰も数値を再現していない。

ベンダー自身の数値の中には、マーケティングと矛盾する小さな奇妙な点がある。Flashのスコアはより高くなる、一度に1つの質問に答えるときは — 60.05対58.88。グループ化は、密接に結合した「該当するものをすべて選択」タスクでは役立つものの、4B全体では悪影響を及ぼす。これはまさにドキュメントに書かれている通りだ。このモデルは複数リクエストをまとめた場合の速度を売りにしているが、それを使わずに測った方が良い結果が出ている。

まだ知り得ないこと

欠けている情報は具体的であり、だからこそこれはレビューではなく「現時点で分かっていること」をまとめた記事なのだ。

• 独立したベンチマークはありません。Perplexity以外に、Decision Indexの再現や、中立的なハーネス上での直接比較を公開したところはありません。

• レイテンシに関するサービスレベルはありません。 ベンダーが公開している唯一の速度数値は、10月19日付のドキュメントのテストで、約248,000入力トークンがFlashでは16秒、27Bでは53秒かかったというものです。これは、ハードウェアやパーセンタイルが明示されていないベンダー側の測定値です。

• 多言語評価はありません。 モデルカードとドキュメントにはテキストと画像について記載されていますが、どちらも英語以外での精度は報告していません。

• 公開された学習データ量はありません。カードには、Flash がより大きなモデルの学習リクエストを用いて 27B から蒸留され、生徒モデルが教師の回答だけでなく完全な確率分布を学習したこと、複数の実行が重み平均によって統合されたことが記載されています。しかし、それにどれだけのデータが関与したのか、データがどこから来たのか、カットオフがどこにあるのかは述べられていません。

• 公開されたエラー分析はありません。 出力が確率で、それをしきい値で判定するモデルの場合、どこで失敗するかの内訳（質問タイプ別、選択肢数別、言語別、画像内容別）はありません。

このようなモデルがスタック内のどこに位置するか

Flashが何のためのものかを明確にしておく価値があります。その名前は誤った期待を招くからです。Flashは何も書きません。テキスト、JSON、画像といった状態と、1つ以上の型付きの質問を渡すと、確率または分布を返し、それをコード側でしきい値処理します。自然なアーキテクチャは、高コストなものの手前に置く安価なゲートです。リクエストを分類し、検索すべきか判断し、ツールを選び、それから生成します。

そのゲートは生成レイヤーを置き換えるものではなく、ここでルーティングが重要になります。OrcaRouterは200以上もの生成モデルを1つのAPIキーで提供しており、プロバイダーの定価にマークアップはありません。そのため、上流ベンダーによる値下げは、リセラーの表計算を待たずに当日から反映されます。ゲートが誤分類した場合でも、自動フェイルオーバーによりリクエストが次のホップで途絶えるのを防ぎます。当社が行わないのはpplx-decider-flashのホスティングです。これは当社のカタログに含まれておらず、今日それを実行する正直な方法は、ベンダー自身のAPIか、ご自身のGPU上でApache-2.0の重みを使うことです。

すでにハードウェアを持っているなら、セルフホスティングの計算は妥当だ。約9 GiBのBF16重みは16 GBのコンシューマー向けカードに収まり、このリリースの報道は、Flashが16 GBメモリのM4 Macで動作するというPerplexityの最高経営責任者の主張を繰り返した。それを裏付ける公開済みのスループット数値はなく、非因果的アテンションのため、既製の因果推論サーバーにそのまま投入してカードのスコアを期待することはできない。

何がこの評価を変えるでしょうか

有用な順に4つ。Decision Index 0.3の中立な再現で、60.05を確認するか、その乖離を説明するもの。単一のドキュメントテストではなく、APIから公開されたレイテンシ分布。多言語入力に関する証拠。4B分類器は、チームが確認せずに非英語トラフィックに当てがちなまさにその種のモデルだから。そして、その蒸留の背後にある学習データを説明するファーストパーティの技術記事。

それまでは、擁護可能な立場は狭くて有用だ。pplx-decider-flash-v1.2 は、実際にダウンロード可能で、Apache-2.0 で、4Bクラスの意思決定モデルであり、公開価格、文書化されたキャリブレーション温度、そして質問をバッチ処理した瞬間に大型の兄弟モデルより高くつく課金ルールを備えている。それ以外はすべて Perplexity 自身のスコアボードであり、結果としてではなく、あなたのラベル付きデータで検証すべき仮説として扱うべきだ。