Perplexity 决策模型 v1.2：熟悉的题型上更强，换到新领域就落在前列之后

先说结论：Perplexity 本周发布的决策模型 Decider v1.2，模型卡上写的 68.09 分只是公开题部分。放进第三方的 Decision Index 完整分里，它是 65.55，排第四；分项看，它在「同类技能」私有题上排得很靠前，到了「新领域」私有题只有 55.78，比前三名低 4 到 6 分。另一件更直接影响用户的事是：调用 v1.1 的请求，现在已经由 v1.2 回答。

先说它是什么

决策模型不写文字。据 Perplexity 文档的 Decisions API 快速上手页（官方文件），它读入文本、JSON 或图片，对你提的问题直接返回带概率的类型化答案：是或否、在你给的选项里选一个、或者按你的评分档打分。用途是分类、路由、按规则打分，应用代码拿概率和阈值比，不用解析一段聊天回复。

据 Perplexity 文档更新日志（官方文件），这次上线两个型号：27B 的 pplx-decider-v1.2，每百万输入词元 0.02 美元，和 v1.1 同价；新增 4B 的 pplx-decider-flash-v1.2，每百万输入词元 0.01 美元。两者输出词元都不收费。更新日志还写明，点名 pplx-decider-v1.1-27b 或 pplx-decider-v1-27b 的请求继续可用，但会选到 v1.2。据 Vercel 更新日志（10 月 16 日，官方文件），两款模型同日在它的 AI Gateway 上线。

68.09 是哪一部分的分

据 Hugging Face 上的 v1.2 模型卡（企业宣称），v1.2 与 v1.1 用同一个 Qwen3.8-27B 底座，改了两处：请求格式和训练数据。在 Decision Index 0.3 公开部分上，v1.2 合并提问得 68.09，逐题单发得 67.75，v1.1 是 62.30。

模型卡也写明了涨分的一部分来源：公开榜单里有几项基准自带官方训练集，用了就会在这些基准上明显涨分，所以这次把这些训练集（已对测试集去污染）加进了训练数据，理由是为了让榜单上的比较更公平。Perplexity 同时说，它没有只为此优化，在完全没参与训练的决策任务和独立的决策基准上，v1.2 也比 v1.1 好。后一句没有给出这部分的准确率数字。

这就是需要看完整分的原因。据 ModelSystem.One 对 0.3 版的报道（媒体报道），Decision Index 的完整分由三部分加权：公开题占 20%，同类技能的私有题占 50%，新领域的私有题占 30%，私有部分用未经调优的原版模型换算到公开分的刻度上。该报道转述榜单的说法：大部分分数来自没人能拿来训练的题。

第三方榜单上的三组数

以下数字取自 Jev Decision Index 榜单 0.3.2 版的数据文件（第三方评测，数据生成于 10 月 16 日 19:00 UTC，即北京时间 10 月 17 日 03:00）。这是 Hugging Face 用户 multimodalart 维护的社区榜单，不是 Perplexity 自己的榜单。

第一组，公开题。榜单自己跑出的 v1.2 公开分是 67.74，和模型卡的逐题单发成绩 67.75 几乎一致，公开部分排第三。也就是说，Perplexity 自报的逐题单发公开分，第三方能复现。

第二组，完整分。v1.2 是 65.55，排第四。前三是 StartLux-Decision v1.1 27B（69.12）、vLLM-SR d3（66.26）、linne-oak 1.0（65.61）。榜单规定与本组第一名相差 0.9 分以内算并列，所以 v1.2 与第二、三名同属第二档。对比 v1.1：据 ModelSystem.One 报道，v1.1 在 0.3 版完整分是 62.75，排第一。一代之间，公开分涨了 5.79 分（按模型卡的 62.30 到 68.09），完整分按 0.3 版的 62.75 算涨了 2.80 分（两次读数来自不同版次的榜单，只作量级参考）。

第三组，两类私有题。同类技能私有题，v1.2 得 64.30，在前四里仅次于 StartLux 的 64.82，高于 vLLM-SR d3 的 62.83 和 linne-oak 的 62.44。新领域私有题，v1.2 得 55.78；另外三家分别是 61.41、60.51、60.12。差距是 4.34 到 5.63 分，明显大于榜单的 0.9 分并列线。

图像那张榜也是同样的形状。据同一榜单的视觉部分（第三方评测），v1.2 公开分 77.25，是前八名里最高的；私有题 66.18，低于 Amos 1 Large、StartLux、vLLM-SR d3 和 JEV-27B-VL；按公开、私有各占一半算完整分是 71.72，排第二，第一名 Amos 1 Large 是 72.40。4B 的 Flash v1.2 在文本榜完整分 54.81，排第 47，新领域私有题 43.17。

把三组数放在一起，我们的看法是：v1.2 在它见过的题型上确实更强了，包括没人能拿来训练的同类私有题；它的短板在题型换了之后。依据是同类技能分排前二、新领域分排前四末位，差距超过并列线。如果榜单后续公布的新领域题目与 Perplexity 用户的真实任务差得很远，或者重跑后这 4 分以上的差距缩进 0.9 分以内，我们会改口。

旧请求换了模型，行为也换了

更新日志里旧型号名会选到 v1.2 这一句，比排名更值得用户留意，因为 v1.2 改了同一次请求里多个问题之间的关系。

据模型卡（企业宣称），v1.1 每个问题单独做一次前向计算；v1.2 把一次请求里的所有问题放进同一个序列，每个问题都能看到其他问题。合并提问的效果分两种。几个问题是同一件事的不同侧面时会涨分：多选题 SATA-Bench 加 11.3 分，按方面判断情感的 ACOS 加 7.8 分，PhishNChips（同一条消息的多个侧面）加 5.1 分。几个问题是互相竞争的候选项时会掉分：函数调用 BFCL 减 1.1 分，推理型检索 BRIGHT 减 2.9 分，工具检索 ToolRet 减 4.8 分。模型卡给的建议是，拿不准就一次只问一个候选，这样最多差约 0.4 分，而分错组可能损失约 3 分。

快速上手页（官方文件）写得更直白：对 v1.2，相互独立的候选应分开请求；Flash v1.2 对分组更敏感，默认一次一个问题。

分析推断：如果有调用方此前在 v1.1 上把一批独立候选（比如一次给十份文档、每份问一句是否相关）放进同一个请求，现在不改代码也会得到合并提问的结果，按模型卡的数字，这类用法可能掉 1 到 5 分。依据是更新日志写明旧型号名会选到 v1.2，以及模型卡对 v1.1、v1.2 处理方式的描述；我们没有查到 Perplexity 在 API 上保留 v1.1 单题处理方式的开关。

最强反方

最有力的反驳是：完整分 65.55 与第二名 66.26 只差 0.71 分，按榜单自己的规则算并列，说 v1.2「落在前列之后」言过其实；新领域私有题只占 30% 权重，题目不公开，换算还依赖原版模型做刻度，几分的差距可能来自换算方式，而不是模型本身；况且 v1.2 在同类技能私有题上排前二，说明它的进步并不只是因为用了公开训练集。

我们在两处让步：一是完整分确实与第二、三名同档，标题说的是新领域这一项，不是总排名；二是同类技能私有题的成绩说明，公开训练集之外它确实学到了东西，「刷榜」不是一个准确的描述。我们仍坚持的部分是：新领域这一项的差距是 4.34 到 5.63 分，比 0.9 分并列线大出好几倍，而且在文本、图像两张榜上方向一致：公开分最高或接近最高，文本榜是新领域私有题落后，图像榜是私有题整体落后。对要把它用在没见过的业务上的读者，这一项比 68.09 更接近他们会遇到的情况。

我们不知道什么

新领域私有题考的是哪些领域，榜单没有公开，我们无法判断它们与客服路由、内容审核这类常见用途有多接近。Perplexity 说 v1.2 在完全没参与训练的任务上比 v1.1 好，但没有公布数字，也没有说是哪些任务。模型卡写明 v1.2 的权重仓库是私有的，需要授权令牌才能下载，读者暂时无法自己复现。我们也不知道 Perplexity 托管的 API 与模型卡里的检查点是否完全相同，以及有多少调用方原本点名 v1.1、现在被切到了 v1.2。

接下来看什么

一是 Perplexity 会不会公布「未参与训练任务」上的具体成绩，或给 API 留一个旧版单题处理的选项；二是 Decision Index 下一版是否披露新领域私有题的范围；三是其他团队在同一底座上做的决策模型，新领域分能不能追上公开分。在这几件事落地之前，读 v1.2 的成绩，先看新领域那一列。