# Perplexity выпустила pplx-decider-v1-27b: открытые веса модели решений

Источник: https://modelium.tech/zhurnal/pplx-decider-v1-27b-local-decision-model/

Perplexity опубликовала pplx-decider-v1-27b — модель на базе Qwen3.8-27B, которая выбирает вариант ответа или оценивает бинарный вопрос вместо генерации свободного текста. На Hugging Face доступны все 11 шардов весов, отдельная голова решений и Python-код загрузки. Веса распространяются по Apache-2.0; авторский пример рассчитан на CUDA и не является проверенным Modelium тестом локальной скорости или качества.

pplx-decider-v1-27b: модель Perplexity для локальных решений

1 октября 2026 года Perplexity открыла репозиторий `pplx-decider-v1-27b`. Это дообученная на Qwen3.8-27B модель для задач выбора: приложению можно передать текстовое состояние, вопрос и набор кандидатов, а получить выбранный вариант с вероятностями. Есть также бинарный вопрос (`noul`) и вход с изображением. Это не обычный чат-бот: использование для маршрутизации обращений, классификации или проверки условия требует собственного правила принятия действия и проверки ошибок в приложении. Репозиторий появился 1 октября по метаданным Hugging Face; это дата появления публичной карточки, а не независимое свидетельство времени окончания обучения. [s1](#src-s1) [s2](#src-s2)

## Что доступно для локального запуска

Закреплённая ревизия `5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4` содержит индекс Safetensors со ссылками на 11 модельных шардов; все 11 перечислены в полном списке файлов API. Отдельно опубликованы `readout.safetensors`, `decision_config.json`, процессор, токенизатор и исходники `inference.py` и `source/src/autojev/model.py`. Конфигурация решений содержит 255 токенов вариантов и коэффициент калибровки; в NOTICE автор описывает замену генеративной выходной головы и дообучение основной части модели и readout. Один лишь размер файла не определяет минимум RAM или VRAM. [s1](#src-s1) [s3](#src-s3) [s4](#src-s4) [s5](#src-s5)

В корне чекпойнта есть текст Apache License 2.0; NOTICE закрепляет исходную ревизию Qwen3.8-27B, у которой также указана Apache-2.0. Код в `source/` лицензирован отдельно по MIT. Это открытые веса и код с коммерческим использованием на условиях соответствующих лицензий; бесплатный облачный API из этого не следует. Следует сохранить NOTICE и проверить прочие применимые условия при распространении производного продукта. [s6](#src-s6) [s7](#src-s7) [s8](#src-s8)

## Как проверить на своём наборе

Авторская карточка предлагает Python 3.12+, CUDA и пример `inference.py`. Сам скрипт скачивает checkpoint через Hugging Face Hub, затем вызывает собственный `DecisionModel`; для воспроизводимого эксперимента используйте закреплённую ревизию через параметр `--revision` и сначала просмотрите код и зависимости. Код загружает backbone посредством `Qwen3_5Model`, отдельную матрицу readout и температуру из конфигурации. Инструкция автора оценивает объём весов примерно в 49 GiB **плюс** рабочая память — это ориентир их CUDA-примера, не проверенный минимум оборудования и не обещание работоспособности на конкретной видеокарте. Мы не загружали многогигабайтные веса и не запускали модель. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

Для теста составьте небольшой фиксированный набор обращений с заранее определёнными правилами маршрутизации, измерьте калибровку вероятностей, долю ошибочных решений и стоимость ручной перепроверки. При работе с изображениями отдельно проверьте корректность и права на входные данные. Если нужен готовый GGUF/MLX-путь, сначала ищите проверенный конвертер и совместимый runtime: в этом выпуске официально показан Python/CUDA-загрузчик, а не обещана поддержка Ollama или llama.cpp. [s1](#src-s1) [s4](#src-s4)

## Как читать цифры автора

Карточка приводит результаты на 11 наборах задач и итоговое значение 85,71% для pplx-decider-v1-27b против 84,51% у Jev и 74,76% у Qwen3.8-27B. **Это оценки, заявленные автором, измеренные через Perplexity API**, а не повторённый Modelium локальный бенчмарк. В отдельных строках Jev или базовая Qwen оказываются лучше, поэтому среднее число не гарантирует превосходства на вашей задаче. Отдельно сравните три варианта на собственном распределении входов, одинаковых критериях и одной политике порога; не смешивайте облачную авторскую оценку с локальной производительностью. [s1](#src-s1)

Итог: новый чекпойнт интересен для локального прототипа выбора между заданными вариантами, когда нужно удержать данные в своём контуре. Перед производственным применением потребуются собственная проверка качества, подбор порога, аудит кода загрузки и аппаратное тестирование. [s1](#src-s1) [s4](#src-s4)

## Источники

1. [Perplexity AI: pplx-decider-v1-27b model card at pinned revision](https://huggingface.co/perplexity-ai/pplx-decider-v1-27b/blob/5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4/README.md) — получено 2026-10-02
2. [Hugging Face model API: revision and repository creation time](https://huggingface.co/api/models/perplexity-ai/pplx-decider-v1-27b) — получено 2026-10-02
3. [Pinned Safetensors index: 11 model shards](https://huggingface.co/perplexity-ai/pplx-decider-v1-27b/blob/5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4/model.safetensors.index.json) — получено 2026-10-02
4. [Pinned local inference example and implementation](https://huggingface.co/perplexity-ai/pplx-decider-v1-27b/blob/5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4/inference.py) — получено 2026-10-02
5. [Pinned decision model implementation and configuration](https://huggingface.co/perplexity-ai/pplx-decider-v1-27b/blob/5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4/source/src/autojev/model.py) — получено 2026-10-02
6. [Pinned Apache-2.0 model license and NOTICE](https://huggingface.co/perplexity-ai/pplx-decider-v1-27b/blob/5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4/NOTICE) — получено 2026-10-02
7. [Pinned training and serving code MIT license](https://huggingface.co/perplexity-ai/pplx-decider-v1-27b/blob/5117a6c7fe73b19308dc1a6b0fb529a40c2ecad4/source/LICENSE) — получено 2026-10-02
8. [Qwen3.8-27B upstream model API license](https://huggingface.co/api/models/Qwen/Qwen3.8-27B) — получено 2026-10-02