Mô hình quyết định Perplexity Decider v1.2 được giải thích trong bài phân tích kỹ thuật chuyên sâu
Bắt đầu từ đây
Một bài phân tích kỹ thuật chuyên sâu do tác giả của jbarrow.ai công bố giải thích cách Perplexity Decider v1.2 hoạt động: một mô hình quyết định mở được xây dựng trên Qwen-3.8 27B, biến một LLM chỉ có decoder thành một encoder phi nhân quả và trả lời tất cả các câu hỏi phân loại trong một bước prefill duy nhất thông qua một đầu đọc 255 lựa chọn. Bài viết mô tả các kiểu câu hỏi yes_no, choice và score của API /v1/decisions, việc huấn luyện trên các bộ dữ liệu đã được hài hòa hóa như tasksource với dữ liệu tổng hợp và xáo trộn lựa chọn, cùng việc hiệu chỉnh hậu nghiệm ở nhiệt độ T=1.32. Tác giả lập luận rằng lý do chính để chọn mô hình quyết định thay vì các LLM tự hồi quy là hiệu quả token, và lưu ý rằng biến thể 9B Decider Flash được huấn luyện với một hàm mất mát chưng cất.
Tạo từ các bài viết · cập nhật 1 giờ trước
Dòng thời gian bài viết
Theo các bài viết để thấy sự việc từ nhiều phía.
- Hacker News · AIĐi sâu vào Mô hình Quyết định: Cách Perplexity Decider v1.2 Hoạt động
Bài viết này mổ xẻ Perplexity Decider v1.2, một mô hình quyết định mở được xây dựng trên Qwen-3.8 27B, chuyển đổi một LLM chỉ-giải-mã thành một bộ mã hóa phi nhân quả và trả lời tất cả các câu hỏi phân loại trong một bước prefill duy nhất thông qua một đầu đọc 255 lựa chọn. Nó bao gồm các loại câu hỏi yes_no, choice và score của API /v1/decisions, việc huấn luyện trên các bộ dữ liệu đã được hài hòa hóa như tasksource với dữ liệu tổng hợp và xáo trộn lựa chọn, và hiệu chuẩn hậu nghiệm ở nhiệt độ T=1.32. Tác giả lập luận rằng lý do chính để chọn mô hình quyết định thay vì LLM tự hồi quy là hiệu quả token, và ghi chú rằng biến thể 9B Decider Flash được huấn luyện với một hàm mất mát chưng cất.
Độ nóng của sự việc này
Chưa đủ quan sát liên tục để vẽ xu hướng.