pplx-decider-flash กับ pplx-decider: 4B ถูกกว่า จนกว่าคุณจะถามสามคำถาม

ในรายการราคา pplx-decider-flash-v1.2มีราคาเป็นครึ่งหนึ่งของ pplx-decider-v1.2คือ $0.01 ต่อหนึ่งล้านโทเค็นอินพุต เทียบกับ $0.02 ตามกฎการเรียกเก็บเงิน ส่วนลดนั้นคงอยู่เพียงหนึ่งคำถามเท่านั้น ถามสองคำถามกับสถานะเดียวกัน โมเดลทั้งสองมีค่าใช้จ่ายเท่ากัน ถามสามคำถาม โมเดล 4B จะแพงกว่า เพราะ Flash เรียกเก็บเงินค่าสถานะซ้ำสำหรับทุกคำถาม ขณะที่ 27B เรียกเก็บเพียงครั้งเดียว โมเดลที่ถูกกว่าจะถูกกว่าก็ต่อเมื่อคุณถามคำถามเล็ก ๆ ครั้งละหนึ่งข้อ

การกลับกันนั้นคือส่วนที่มีประโยชน์ของการเปรียบเทียบนี้ ส่วนที่เหลือเป็นการแลกเปลี่ยนขนาดที่คุ้นเคย: เช็กพอยต์ขนาด 4B ที่ชนะด้านความหน่วงและหน่วยความจำ เมื่อเทียบกับโมเดล 26 พันล้านพารามิเตอร์ที่ชนะด้านความแม่นยำ โดยทั้งสองจำหน่ายภายใต้สัญญาอนุญาต Apache-2.0 เดียวกันและบริบทเริ่มต้น 262,144 โทเคนเดียวกัน

สองเช็กพอยต์ รีลีสเดียว งานต่างกัน

Perplexity เผยแพร่ทั้งสองรุ่นเมื่อวันที่ 15 ตุลาคม 2026 โดยรุ่นใหญ่เวลา 07:40 UTC และ Flash เวลา 16:57 ทั้งสองใช้การออกแบบร่วมกัน ได้แก่ แบ็กโบน Qwen, หัวอ่านผลแบบ 255 ทางแทนหัวโมเดลภาษา, เลเยอร์ความสนใจเต็มแบบไม่เป็นสาเหตุ และอุณหภูมิคาลิเบรชันที่บันทึกไว้ แต่ทั้งสองไม่ได้ใช้แบ็กโบนร่วมกัน pplx-decider-v1.2 สร้างบน Qwen3.8-27B และมีขนาดประมาณ 52 GiB ใน BF16 pplx-decider-flash-v1.2 สร้างบน Qwen3.5-4B และมีขนาดประมาณ 9 GiB

การตั้งชื่อคลุมเครือกว่าตัวเลข โมเดลขนาดใหญ่จำหน่ายในชื่อ 27B แต่การ์ดของโมเดลเองระบุว่า 26B ใน BF16 ส่วน Flash จำหน่ายในชื่อ 4B ในเอกสาร API ขณะที่หัวการ์ดระบุว่า 5B ใน BF16 และแกนหลักของมันเป็นโมเดล 4B ความคลาดเคลื่อนทั้งสองไม่ได้เปลี่ยนการตัดสินใจในการนำไปใช้งาน ทั้งสองอย่างล้วนน่ารู้ก่อนที่คุณจะระบุจำนวนพารามิเตอร์ในแผนด้านความจุ

รายการราคา ก่อนเครื่องหมายดอกจัน

• ราคาอินพุต — pplx-decider-flash-v1.2 ที่ $0.01 ต่อล้านโทเค็น เทียบกับ pplx-decider-v1.2 ที่ $0.02

• ราคาเอาต์พุต — ฟรีทั้งสองแบบ โดยไม่มีค่าธรรมเนียมต่อคำขอ แต่ละคำถามจะนับเป็นหนึ่งโทเคนเอาต์พุตเพื่อการบันทึกบัญชีเท่านั้น

• ขีดจำกัดอัตราการใช้งาน — 4,000,000 โทเค็นต่อนาที และ 240,000,000 ต่อชั่วโมง โดยมีเพดาน 10 คำขอต่อวินาทีที่ใช้ร่วมกันทั้งสองโมเดลในระดับองค์กร

• นามแฝง — pplx-decider-flash-latest และ pplx-decider-latest ต่างก็เปลี่ยนไปใช้เวอร์ชันใหม่ที่สุด ดังนั้นเกณฑ์ที่ปรับจูนกับเวอร์ชันหนึ่งอาจถูกนำไปใช้กับอีกเวอร์ชันหนึ่งโดยไม่รู้ตัว

เครื่องหมายดอกจันไม่ได้ถูกซ่อนไว้ เอกสารของ Perplexity ระบุอย่างชัดเจนว่า Flash ถูกสร้างมาสำหรับหนึ่งคำถามต่อหนึ่งคำขอ การส่งหลายคำถามจะให้คำตอบที่เป็นอิสระจากกันโดยไม่มีการส่งต่อข้อมูลระหว่างกัน และสถานะจะถูกเรียกเก็บเงินอีกครั้งสำหรับแต่ละคำถาม เอกสารยังยกตัวอย่างให้ด้วยซ้ำ: คำถามสามข้อบนสถานะขนาด 10,000 โทเคนมีค่าใช้จ่ายประมาณ 30,000 โทเคนอินพุต

ในกรณีที่คำถามที่สองทำให้ส่วนลดหายไป

รูปแบบทั่วไปนั้นง่าย สำหรับสถานะที่มี s โทเค็น และ q คำถาม Flash มีค่าใช้จ่าย q × s × $0.01 ต่อล้าน และ 27B มีค่าใช้จ่าย s × $0.02 ต่อล้าน ค่าใช้จ่ายของ Flash จะแซงโมเดลขนาดใหญ่ที่คำถามที่สาม

• หนึ่งคำถาม สถานะ 10,000 โทเคน — Flash $0.0001 เทียบกับ 27B $0.0002 Flash ชนะด้วยต้นทุนครึ่งเดียว

• สองคำถาม สถานะเดียวกัน — Flash $0.0002 กับ 27B $0.0002 เสมอกัน ไม่ใช่ส่วนลด

• สามคำถาม — Flash $0.0003 เทียบกับ 27B $0.0002 โดยรุ่น 4B แพงกว่า 50%

• ห้าคำถาม — Flash $0.0005 เทียบกับ 27B $0.0002 โดย 4B มีราคาเป็นสองเท่าครึ่ง

ในแง่ค่าสัมบูรณ์ สิ่งเหล่านี้เป็นเพียงเศษเสี้ยวของหนึ่งเซนต์ ซึ่งเป็นเหตุผลว่าทำไมกฎนี้จึงมองข้ามได้ง่าย และทำไมมันจึงทบต้นเมื่อปริมาณงานสูง เกตที่รันคำขอแบบสามคำถามหนึ่งล้านรายการกับสถานะขนาด 10,000 โทเคน มีค่าใช้จ่ายประมาณ $300 บน Flash และ $200 บน 27B โมเดลที่ดูเหมือนถูกกว่า 50% กลับมีราคาแพงกว่า 50% ในภาระงานที่โดยปกติแล้วการแบตช์ถือเป็นการปรับให้เหมาะสม

เอกสารของ Perplexity ระบุว่าโมเดลที่ใหญ่กว่า "มักมีค่าใช้จ่ายน้อยกว่า Flash" เมื่อมีคำถามตั้งแต่สามข้อขึ้นไป จุดตัดที่แน่นอนคือสองข้อ หากคำถามของคุณเชื่อมโยงกันจริง ๆ — เป็นแง่มุมแบบเลือกทั้งหมดที่ใช้ได้ของการตัดสินใจเพียงครั้งเดียว — เส้นทางแบบรวมก็เป็นเส้นทางที่แม่นยำเช่นกัน ถ้าพวกมันเป็นคะแนนของผู้สมัครที่เป็นอิสระต่อกัน เอกสารแนะนำให้แยกออกเป็นคำขอแยกกัน ซึ่งจะทำให้บิลของ Flash สูงขึ้นอีก โดยที่ของ 27B ยังคงไม่เปลี่ยนแปลง

ช่องว่างด้านความแม่นยำ แยกตามหมวดหมู่

ทั้งสองโมเดลถูกให้คะแนนด้วย Decision Index 0.3 ซึ่งเป็นคะแนนคอมโพสิตของ Perplexity เอง ตัวเลขหลักคือ 60.05 สำหรับ Flash เมื่อใช้หนึ่งคำถามต่อคำขอ เทียบกับ 68.09 สำหรับ 27B เมื่อใช้คำขอแบบรวม การแบ่งตามหมวดหมู่ซึ่งเปรียบเทียบการรันแบบรวมกับการรันแบบรวม แสดงให้เห็นว่าช่องว่างของการรันแบบรวม 9.2 จุดมาจากไหน

• ความรู้ — 42.0 เทียบกับ 56.3 ช่องว่าง 14.3 คะแนน และเป็นตัวชี้วัดที่ควรใช้ตัดสินการนำไปใช้งานส่วนใหญ่ หากคำถามต้องอาศัยการรู้ข้อเท็จจริงมากกว่าการประเมินตัดสิน โมเดล 4B ก็ใช้แทนไม่ได้

• ภาษา — 63.3 เทียบกับ 72.8.

• การดึงข้อมูล — 64.8 เทียบกับ 68.4 ช่องว่างที่แคบที่สุดเพียง 3.6 คะแนน การตัดสินว่าข้อความหนึ่งสนับสนุนข้อกล่าวอ้างได้หรือไม่คือภารกิจที่ Flash ถูกสร้างขึ้นมาเพื่อทำ และตัวเลขก็สะท้อนสิ่งนั้น

• เครื่องมือ — 76.7 เทียบกับ 84.4 ทั้งสองโมเดลแข็งแกร่งที่สุดในหมวดนี้เมื่อเทียบเป็นค่าสัมบูรณ์ ซึ่งสอดคล้องกับกรณีการใช้งานด้านการกำหนดเส้นทาง

• ศิลปศาสตร์ — 46.8 เทียบกับ 56.2

• Vision — 72.53 เทียบกับ 77.43 บนดัชนี Vision Decision Index ซึ่งเป็นช่องว่าง 4.9 จุดที่เล็กกว่าช่องว่างของข้อความ และทำให้ Flash มีความสามารถในการแข่งขันบนรูปภาพมากกว่าข้อความร้อยแก้ว

ข้อแม้ที่ชัดเจนย่อมใช้กับทุกตัวเลขข้างต้น: เบนช์มาร์กนี้เป็นของเจ้าของผลิตภัณฑ์ และยังไม่มีบุคคลที่สามรายใดทำซ้ำผลได้ การ์ดของ 27B ระบุว่างานฝึกอบรมครอบคลุมชุดฝึกอบรมอย่างเป็นทางการของงาน Decision Index หลายรายการ ซึ่งถูกขจัดความปนเปื้อนเทียบกับชุดทดสอบแล้ว; นั่นเป็นแนวปฏิบัติที่ระบุไว้ มิใช่แนวปฏิบัติที่ผ่านการตรวจสอบ ให้มองโปรไฟล์ตามหมวดหมู่เป็นสมมติฐานเกี่ยวกับจุดแข็งของแต่ละโมเดล — ความรู้และศิลปะสำหรับ 27B การดึงข้อมูลและเครื่องมือสำหรับทั้งสองโมเดล — มากกว่าจะเป็นผลลัพธ์ที่วัดได้

ความไม่สมมาตรของคำขอร่วม

การจัดกลุ่มคำถามช่วยโมเดลขนาดใหญ่ แต่กลับทำให้โมเดลขนาดเล็กแย่ลง และตัวเลขของ Perplexity เองก็ยืนยันเช่นนั้น

• pplx-decider-v1.2 — 68.09 แบบรวม vs 67.75 แบบทีละคำขอ การจัดกลุ่มเพิ่ม 0.34 คะแนน

• pplx-decider-flash-v1.2 — 58.88 แบบรวม เทียบกับ 60.05 แบบทีละคำขอ การจัดกลุ่มมีต้นทุน 1.17 คะแนน

เอกสารอธิบายกลไกไว้ว่า 4B สูญเสียความแม่นยำเมื่อตอบหลายคำถามพร้อมกัน ซึ่งเป็นเหตุผลที่ค่าเริ่มต้นที่แนะนำคือหนึ่งคำถามต่อหนึ่งคำขอ สิ่งที่ตัวเลขเพิ่มเติมเข้ามาคือการสูญเสียนั้นมีมากพอที่จะปรากฏในคะแนนโดยรวม ไม่ใช่แค่ในกรณีสุดขั้วเท่านั้น โมเดลนี้ถูกทำการตลาดด้วยความเร็วแบบ single-pass และวัดผลได้ดีกว่าเมื่อไม่มี single-pass หากคุณจัดกลุ่มอยู่ดีเพื่อไล่ตามทรูพุต คุณกำลังจ่ายค่าความเร็วสองครั้ง — ครั้งหนึ่งในโทเค็น และอีกครั้งในความแม่นยำ

การปรับเทียบ: ใกล้กว่าที่ช่องว่างความแม่นยำบ่งชี้

การ์ดทั้งสองรุ่นเปิดเผยข้อมูลการสอบเทียบอย่างตรงไปตรงมา ซึ่งเป็นเรื่องที่หาได้ยากพอที่จะน่าสังเกต

• อุณหภูมิที่บันทึกไว้ — 1.554 บน Flash เทียบกับ 1.382 บน 27B

• ความแม่นยำบนชุดพัฒนา — 88.8% จาก 1,497 คำถามสำหรับ Flash เทียบกับ 91.3% สำหรับ 27B

• ความคลาดเคลื่อนของการสอบเทียบที่คาดหวังหลังการปรับอุณหภูมิ — 0.021 สำหรับ Flash เทียบกับ 0.014 สำหรับ 27B

• คะแนน Brier — 0.163 เทียบกับ 0.134

Flash มีความแม่นยำน้อยกว่าและปรับคาลิเบรตได้ไม่ดีเท่า ตามที่คาดไว้เมื่อมีขนาดเพียงหนึ่งในเจ็ด แต่ช่องว่างการคาลิเบรตอยู่ที่ 0.007 ECE ซึ่งเล็กพอที่เกณฑ์ที่ปรับบน 27B มักจะถ่ายโอนมาใช้ได้ การ์ดของ 27B ก็ยอมรับตรงๆ ว่าข้อมูลการตัดสินใจที่กันไว้ยังคงมั่นใจเกินไปบ้าง โดยมี ECE ประมาณ 0.05 ดังนั้นไม่มีโมเดลใดทดแทนการปรับเกณฑ์กับข้อมูลของคุณเองได้ เอกสารของ Perplexity ระบุตรงกันว่า: วัดประสิทธิภาพทั้งสองบนข้อมูลที่มีป้ายกำกับด้วยเกณฑ์ที่คุณตั้งใจ และเก็บ Flash ไว้เฉพาะเมื่อผ่านเป้าหมายความแม่นยำของคุณ

การโฮสต์เอง: 9 GiB เทียบกับ 52 GiB

ทั้งคู่เป็น Apache-2.0 ดังนั้นราคาแบบโฮสต์จึงเป็นเรื่องของความสะดวกมากกว่าการผูกมัดไว้กับผู้ให้บริการ ความแตกต่างด้านฮาร์ดแวร์เป็นจุดแบ่งแยกที่ชัดเจนที่สุดระหว่างทั้งสอง

• น้ำหนักโมเดล — ประมาณ 9 GiB แบบ BF16 สำหรับ Flash เทียบกับประมาณ 52 GiB สำหรับรุ่น 27B บวกกับหน่วยความจำที่ใช้งานจริงของทั้งสองรุ่น

• ฮาร์ดแวร์ — Flash ใช้การ์ดระดับผู้บริโภคขนาด 16 GB ได้ ส่วนรุ่น 27B ต้องใช้ตัวเร่งความเร็วประสิทธิภาพสูงหรือแบ่งทำงานหลาย GPU

• การให้บริการ — ทั้งสองแบบไม่สามารถนำไปใส่ในเซิร์ฟเวอร์ causal มาตรฐานได้โดยไม่เปลี่ยนแปลง เลเยอร์ full-attention ทำงานแบบ noncausal และพรอมต์ที่เขียนสำหรับ v1.1 ก็ใช้ต่อไม่ได้

• บริบท — โดยค่าเริ่มต้นรองรับ 262,144 โทเคนทั้งสองระบบ โดยการฝึกได้รับการตรวจสอบยืนยันถึงเพียงประมาณ 32,000 เท่านั้น และการ์ดเตือนว่าอินพุตที่ยาวกว่านั้นได้รับการทดสอบน้อยกว่า

การโฮสต์ Flash ด้วยตัวเองเป็นเวอร์ชันเดียวของการเปรียบเทียบนี้ที่ 4B ชนะอย่างไม่มีเงื่อนไข การ์ด 16 GB เพียงใบเดียว สัญญาอนุญาตแบบเปิดกว้าง และไม่มีค่าใช้จ่ายต่อโทเค็น ถือเป็นผลิตภัณฑ์ที่แตกต่างอย่างแท้จริงจากเช็กพอยต์ 52 GiB ที่ต้องมีทีมให้บริการ

หลักเกณฑ์การตัดสินใจที่คุณนำไปใช้ได้

• หนึ่งคำถามต่อสถานะ ปริมาณสูง — Flash ข้อได้เปรียบด้านราคาเป็นเรื่องจริง และการสูญเสียความแม่นยำนั้นกระจุกตัวอยู่ในงานด้านความรู้ที่คุณสามารถเปลี่ยนเส้นทางไปที่อื่นได้

• คำถามตั้งแต่สองข้อขึ้นไปต่อรัฐ — รุ่น 27B เมื่อมีสองข้อ ราคาเสมอกัน ตั้งแต่สามข้อขึ้นไปถูกกว่า และแม่นยำกว่าในโหมดร่วม ยิ่งเพิ่มคำถาม ช่องว่างยิ่งกว้างขึ้น

• การตัดสินที่เน้นความรู้หรือเน้นเกณฑ์ประเมิน — รุ่น 27B การขาดไป 14.3 จุดในด้านความรู้ไม่ใช่สิ่งที่พรอมป์ที่ดีขึ้นจะปิดช่องว่างได้

• การควบคุมการเรียกค้นข้อมูลและการเลือกเครื่องมือ — Flash มีเหตุผลรองรับ ช่องว่างตรงนั้นอยู่ที่ 3.6 และ 7.7 จุด และภาระงานนี้คือสิ่งที่โมเดลถูกสร้างมาเพื่อรองรับโดยตรง

• การปรับใช้บนอุปกรณ์หรือบน GPU เดียว — Flash โดยไม่มีทางเลือกอื่นที่แท้จริงในคู่นี้

• Vision — เลือกแบบไหนก็ได้ โดย 27B นำอยู่ 4.9 คะแนน; หากคุณใช้ 27B สำหรับงานข้อความอยู่แล้ว การแยกงานด้านภาพไปที่ Flash ได้ประโยชน์ไม่มากนัก

ไม่ว่าคุณจะอยู่ฝั่งใดของการแยก ตัวตัดสินคือส่วนที่ราคาถูกของไปป์ไลน์ การสร้างที่มันควบคุมคือจุดที่เงินไปลง และนั่นคือเลเยอร์ที่คุ้มค่าจะปรับให้เหมาะสม OrcaRouter วางโมเดลกว่า 200 รุ่นไว้หลังคีย์เดียวโดยไม่บวกเพิ่มจากราคาตามรายการของผู้ให้บริการ ดังนั้นการลดราคาจากต้นทางจึงมีผลในวันเดียวกัน และการสลับสำรองอัตโนมัติครอบคลุมกรณีที่เกตส่งคำขอไปยังโมเดลที่มีประสิทธิภาพลดลง DSL สำหรับกำหนดเส้นทางสามารถประกอบโมเดลที่เราให้บริการ โดยไม่มีเช็กพอยต์ pplx-decider ตัวใดอยู่ในนั้น ดังนั้นการแยกว่าใช้ Flash หรือ 27B จึงต้องอยู่ในโค้ดของคุณเอง ตัวตัดสินแบบโฮสต์ในแคตตาล็อกของเราคือ Jev ของ TypeSafe ในชื่อ jev-1.13 และ jev-1.14

การทดสอบที่ผู้จำหน่ายทั้งสองรายยังไม่ได้เผยแพร่

ทุกอย่างข้างต้นเป็นการตัดสินใจที่อิงจากเอกสารของผู้จำหน่าย การทดสอบที่จะชี้ขาดเรื่องนี้เป็นเรื่องน่าเบื่อและเจาะจง: หยิบคำขอจริงหนึ่งพันรายการ ติดป้ายกำกับ แล้วรันทั้งสองโมเดลที่เกณฑ์ (threshold) ที่คุณตั้งใจใช้ โดยใช้คำถามหนึ่งข้อและสามข้อ บันทึกความแม่นยำ ความคลาดเคลื่อนของการปรับเทียบ (calibration error) และจำนวนโทเค็นที่เรียกเก็บจริงทั้งหมด จากการคาดการณ์ตามตัวเลขที่เผยแพร่ Flash จะชนะงานที่มีคำถามข้อเดียวในด้านต้นทุน และแพ้งานที่มีสามคำถามทั้งด้านต้นทุนและความแม่นยำ หากเป็นเช่นนั้นจริง การเลือกจึงขึ้นอยู่กับลักษณะของคำขอของคุณ ไม่ใช่งบประมาณของคุณ — และทีมที่วัดผลจะเลือกได้ถูกต้อง ขณะที่ทุกคนที่อ่านรายการราคาจะเลือกโมเดลที่ถูกกว่าบนกระดาษ 50% แต่แพงกว่าในการใช้งานจริง 50%