pplx-decider vs Decider: Perplexitys tysta 27B mot Mapikas Open Ladder

Två beslutsmodeller ligger på Hugging Face just nu som svarar på frågor på samma sätt och är överens om nästan inget annat. pplx-decider är en 27B-checkpoint från Perplexity som landade 2026-10-01 utan tillkännagivande, utan blogginlägg, utan prissida och utan inferensleverantör som tillhandahåller den; en revision, pplx-decider-v1.1, följde 2026-10-05 på samma backbone. Decider är Mapikas familj av samma modellklass — decider-0.8b till decider-35b-a3b, en öppen reproduktion i System One-linjen, publicerad med fullständiga träningsanteckningar. Båda tar ett block med namngivna frågor plus ett dokument och returnerar en kalibrerad sannolikhet per svar i en enda framåtpassning. Ingen av dem skriver en enda mening prosa. Det som följer är vad som faktiskt finns dokumenterat för var och en, och en tydlig markör där dokumentationen upphör.

Först, vad gör "beslutsmodell" i den meningen?

Ingendera av dessa är en chattmodell som har ombetts vara kortfattad. De är inte språkmodeller alls i vanlig bemärkelse — det finns ingen avkodningsslinga, ingen sampling, inget token-för-token. En framåtpassning över ditt dokument returnerar en sannolikhet för varje alternativ du angav.

Anropets utformning är det som gör jämförelsen värd att skriva. Du lämnar över ett tillstånd (ett ärende, en JSON-post, en skärmbild, ett avtal) och en lista med namngivna frågor. Varje fråga anger sin svarstyp: val mellan 2 och 255 märkta alternativ, en ja/nej/okänt-utläsning, eller en poäng på 2 till 10 beskrivna nivåer. Svaren kommer tillbaka i den ordning du bad om dem, som tal mellan 0 och 1, och talet är avsett att läsas som en sannolikhet snarare än en prydlig etikett — 0,62 på "begärs en återbetalning?" är hela utdata, och en anropare bestämmer tröskelvärdet.

Den designen eliminerar latens och kostnad, eftersom ett dokument med sextio frågor kostar ett pass, inte sextio. Det innebär också att de vanliga sätten att bedöma en språkmodell inte är tillämpliga: det finns inget resonemangsspår att läsa, ingen tankekedja att argumentera med, inget sätt att be den förklara sig. Du får sannolikhetsmassa och inget annat. Båda projekten är tydliga med att det är avvägningen.

Vad som släpptes, och vad ingen har sagt

pplx-decider-repositoriet är ovanligt komplett för en modell utan ett lanseringsinlägg bakom sig. Vikterna är Apache-2.0. Basen är Qwen/Qwen3.8-27B, vilket anges på kortet. Det finns ett släppt readout-huvud i bf16 med formen [255, 5120], vilket är exakt den form man skulle förvänta sig för 255 valbara alternativ över ett 5 120 brett dolt tillstånd. Kortet dokumenterar indatabudgeten, taket för antalet alternativ, de tre frågetyperna och slutpunktsformen — POST /v1/systemone.

Det som inte finns där är meningen som ett lanseringsinlägg skulle innehålla. Det finns inget releasedatum på kortet, inget tillkännagivande, inget benchmark-inlägg från Perplexity, inget pris och ingen tredjepartsplattform som tillhandahåller det. Nedladdningssiffrorna är av den storlek man får från ett repositorium som hittats snarare än marknadsförts. Läs de två tillsammans och den ärliga beskrivningen är: artefakten är offentlig, avsikten bakom den är det inte. Allt nedan om pplx-decider kommer från repositoriet och dess kort. Inget nedan har oberoende reproducerats, och ingen utanför labbet har publicerat en egen körning.

Posten i Ollama-biblioteket gör den klyftan synlig på ett litet sätt. Dess sida listar taggen som 27b vid 17 GB med ett kontextfönster på 256K — ett kvantiserat bygge, långt under de omkring 49 GiB som bf16-vikterna upptar — medan förvaret dokumenterar en mycket mindre indatabudget för text och bilder och säger att för stora indata avvisas i stället för att trunkeras. De två påståendena beskriver inte uppenbart samma gräns, och inget som publicerats förenar dem. Behandla körtidens siffra som körtidens påstående.

Det intressanta: två främlingar, ett gränssnitt

Mapikas Decider-familj och pplx-decider utvecklades oberoende av varandra, från olika baser, av olika skäl, och de konvergerade på samma trådformat. Decider-modeller talar också System One-anropsformen – namngivna frågor, val bland 2 till 255 alternativ, ingen textgenerering, tillstånd accepteras upp till ungefär 32k. En klient som skrivits mot den ena är i det närmaste en klient för den andra.

Den konvergensen är det användbara faktumet i den här jämförelsen. Vilket du väljer är inte en omskrivning; det är ett byte av en bas-URL och en modellsträng. Den intressanta frågan upphör att vara "vilket API integrerar jag" och blir "vilken utläsning litar jag på för mina dokument" — och de två projekten besvarar den frågan på mycket olika sätt.

En kontrollpunkt mot en stege

Den strukturella skillnaden är den lättaste att se. Perplexity släppte en enda storlek. Mapika släppte ett spann och publicerade storlekstabellen:

• Katalog — pplx-decider: en 27B-checkpoint, plus en v1.1-revision på samma backbone. Decider: över sju publicerade storlekar, från decider-0.8b på 1,4 GB upp till decider-2b, decider-2b-vision, decider-4b, decider-12b och decider-35b-a3b på 65 GB bf16 eller 19,6 GB i nvfp4.

• Baser — pplx-decider: Qwen/Qwen3.8-27B, en härstamning. Decider: en blandning — Qwen3.5-0.8B, Qwen3.5-2B och Qwen3.5-4B för de små storlekarna, Qwen3.5-35B-A3B för den stora, och gemma-4-12B-it och gemma-4-31B-it under chattvarianterna.

• Aktivering — pplx-decider: tät 27B, så varje parameter körs vid varje anrop. Decider: decider-35b-a3b är en blandning — 34,7B totalt med ungefär 3B aktiva över 256 routade experter, varav 8 är aktiva per token.

• Vision — pplx-decider: multimodalt, och det står i repot; text, JSON och bilder inklusive skärmbilder, kvitton och formulär, där vision-tokens kostar ungefär bredd × höjd / 1024. Decider: en separat decider-2b-vision-checkpoint i stället för en flagga på huvudlinjen, så bildarbete är ett annat modellval, inte ett annat argument.

• Licens — Apache-2.0 på båda sidor, vilket är det enda stället där den här jämförelsen är tråkig.

• Träningsredogörelse — pplx-decider: en datapipeline som bygger på Bespoke Labs' Bespoke Nimble, med benchmark-delmängder låsta via post-ID och kontrollsumma, och v1.1:s vinster tillskrivs att den kausala masken togs bort och att data lades till, inklusive tasksource. Decider: anteckningar per version med antal objekt, hårdvara och väggklockstid — decider-35b-a3b tränades på 4× B300 i 394 minuter över 1 543 567 objekt — samt namngivna felmoder och andelen parametrar som faktiskt tränades, 2,45B av 34,7B.

Ingen av dessa är en avgörande fördel. En enda checkpoint är enklare att resonera om, enklare att serva och omöjlig att skala ner. En stege låter dig sätta decider-0.8b bakom ett billigt förfilter och använda 35B endast på de objekt som behöver det – men bara om du är villig att underhålla routningslogiken som avgör vilket som är vilket.

Siffrorna, och vem som tog fram dem

Båda uppsättningarna av de viktigaste siffrorna är leverantörsrapporterade, och ingen av dem har en oberoende replikering kopplad till sig. Det har större betydelse här än vad det brukar, eftersom det inte finns någon tredjepartsledartavla för beslutsmodeller med samma status som bild- eller språkarenorna.

Perplexitys egna siffror för pplx-decider placerar den på 85,7 % över 11 offentliga benchmarks, mot 84,5 % för Jev och 74,8 % för Qwen3.8-27B-basen som den tränades från. Enskilda rapporterade rader inkluderar RAGTruth 88,8, FinancialPhraseBank 84,2, TabFact 90,6, JudgeBench 78,3 och WinoGrande 83,3, med den fullständigare uppsättningen som omfattar Circa, Belebele, TruthfulQA binary, BBH, ContractNLI och en offentlig svår split av JevBench. Revisionen v1.1 rapporterar ett svitvägt totalresultat på 61,56 mot 56,4 för v1 och 57,9 för Jev, med den största enskilda kategorivinsten i språkuppgifter. Jämförelsen med Jev är leverantörens, beräknad på leverantörens egen svit, och viktningen är inte publicerad.

Mapikas rapportering har en annan karaktär: siffror kommer med förbehåll som undergräver dem. decider-35b-a3b rapporterar 0,855 inom uppgiften och 0,810 på held-out mot en zero-shot-bas på 0,732, samt 0,676 på den offentliga svåra spliten av JevBench – under Jev 1.13.0:s 0,730. Kortet anger också att det inte finns något förstärkningssteg, så samplat spel ligger på 86,4 % mot decider-2b v10:s 93,2 %, och att modellen är överkonfident på de svåraste objekten, med ett förväntat kalibreringsfel på 0,15 på den svåra nivån. decider-2b v11 rapporteras till 0,802 inom uppgiften och 0,752 på held-out med ett ECE på 0,156 mot en angiven utgivningsriktlinje på 0,08 – en miss, tryckt av författarna.

Två dokumenterade felmoder är värda att ta med in i varje utvärdering du kör. Att välja en post efter dess position i en lång JSON-array beskrivs som den minst exakta indataformen som familjen hanterar, och att packa flera oberoende frågor i ett anrop kan ändra upp till 12 % av svaren när independent-flaggan är avstängd. Båda är sådant som ett specifikationsblad döljer och ett kort nämner en gång.

Vad det kostar att köra någon av dem

• Minsta fungerande Decider — decider-0.8b är 1,4 GB. pplx-decider har ingen liten variant, så dess lägsta nivå är hela 27B.

• Största Decider — decider-35b-a3b vid 65 GB bf16 eller 19,6 GB nvfp4, med endast cirka 3B parametrar aktiva per token.

• Latens, Decider-sidan — decider-2b kör 4 ms per begäran med CUDA-grafer på ett B300, ned från 18,9 ms eager, och ungefär 2 700 beslut per sekund vid batch 32. 35B är en annan värld: cirka 47 ms för en biljett på 92 token med tre frågor, 368 ms för 64 biljetter.

• Latens, pplx-decider-sidan — ingen publicerad. Korten ger ingen genomströmnings- eller latenssiffra alls, vilket är normalt för ett kodförråd som inte har lanserats.

• Kostnad per beslut – det är här designen lönar sig på båda sidor. Sextio frågor om ett dokument är en forward pass oavsett, så kostnaden per beslut kollapsar när du ställer fler frågor om samma dokument.

Här är den ärliga bilden av routningen. OrcaRouter tillhandahåller inte pplx-decider, och det tillhandahåller inte Mapikas Decider-familj – ingendera finns i katalogen, och inget i den här artikeln bör läsas som ett påstående om motsatsen. Vad katalogen däremot har i den här klassen i dag är typesafe/jev-1.13, en beslutsmodell av samma System One-form med ett fönster på 65 536 token som exponeras via samma slutpunkt POST /v1/systemone till $0,042 per miljon indatatoken, vilket är en användbar referenspunkt för vad en routad beslutsmodell kostar. Om du utvärderar en oannonserad checkpoint som pplx-decider, är sättet att göra det utan att satsa en produktionsväg på den att köra den själv vid sidan av en routad modell bakom ett API för 200+ modeller – leverantörens listpris förs vidare med 0 % påslag, så när dessa projekt väl når en inferensleverantör är listpriset priset här samma dag. Fram till dess är en självhostad pplx-decider bredvid en routad typesafe/jev-1.13 den jämförelse som faktiskt kommer att säga dig något.

Vilken att välja

Om du behöver en beslutsmodell i dag, på din egen hårdvara, i en storlek du väljer, med träningsanteckningar du kan granska och en licens som inte kräver något av dig, är svaret en Decider checkpoint, och den enda verkliga frågan är vilket steg. Börja på decider-2b; siffrorna för v11 visar att familjen förbättras mot sin egen v10 på precis den svåra delning du skulle bry dig om, och det dokumenterade ECE-gapet säger att du bör anpassa en temperatur på nytt innan du litar på sannolikheterna i produktion.

Vänd dig till pplx-decider om du vill ha samma gränssnitt med en större dense-modell bakom det, om bildindata spelar roll och du hellre slipper köra en andra checkpoint, eller om du är den typen av team som hellre utvärderar en frontier-labs readout-head själv än väntar på ett lanseringsinlägg som kanske aldrig kommer. Dess fördelar är verkliga men overifierade: en större backbone, en benchmarktabell som smickrar den, och en träningspipeline dokumenterad ända ned till kontrollsummor på postnivå.

Det man ska hålla utkik efter är inte ett benchmark. Det är huruvida pplx-decider överhuvudtaget når en inferensleverantör. Ett repository med vikter och inget tillkännagivande är en signal, inte en produkt; i samma stund som det dyker upp på en hostad endpoint blir frågan om pris kontra latens som Deciders kort redan besvarar en verklig jämförelse i stället för en förhoppning.

Kör en egenhostad pplx-decider bredvid en routad beslutsmodell bakom leverantörens listpris som förs vidare med 0 % påslag, så att när endera projektet når en inferensleverantör är det listade priset priset här samma dag.

En ny checkpoint som mäts mot en publicerad stege är också en bra plats att kontrollera historiken: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd-flagga.