Perplexity 同时开放两款决策模型，26B 版本约需 49 GiB 内存、5B 轻量版约需 8.5 GiB，并采用 Apache 2.0 许可。我们的判断是：这类不生成自由文本、直接返回判断概率的模型，正在成为企业 AI 基础设施中值得单独配置的一层。

这是什么

Decider v1.3 是一款基于 Qwen 骨干模型的分类与决策模型。它接收一段状态和若干问题，返回“是/否”、多选、排序评分或文本片段位置，而不是像聊天模型那样逐字生成答案。新增的 locate 功能可从原文提取人名、邮箱等片段，并给出字符起止位置。

26B 版本精度更高，5B Flash 版则通过蒸馏（用教师模型的答案分布训练较小模型）降低资源需求。两者支持文本和图像，也通过 Perplexity 与 OpenRouter 提供 API。

行业怎么看

值得肯定的是，Perplexity 公布的 17 项跨领域测试中，大模型平均分为 69.0，Flash 为 63.6，高于其列出的 Liquid d1、Cloudflare Clairic 与 GLiNER。其意义在于，分类、重排和敏感信息识别不必全部依赖昂贵的大模型推理；企业可按精度与成本分层组合。

但风险同样明确：这些结果主要由 Perplexity 自测，尚不足以证明在医疗、金融和复杂文档中同样稳定。批量提问时，不同问题组合也可能轻微改变答案；locate 与分类混合请求还要执行额外计算。开放权重不等于开箱即用，双向注意力结构仍依赖专用运行包，企业需要承担评估和运维成本。

对普通人的影响

对企业 IT：分类模型可能成为内容审核、工单分流、合同字段提取等系统的低成本组件，尤其适合强调数据不出域的企业，但上线前仍需用真实业务样本复测。

对个人职场：AI 工具会更擅长判断优先级、核对材料和识别敏感信息，而不是只负责起草文字；流程设计者需要更清楚地定义规则与验收标准。

对消费市场：本地可运行的模型会推动照片分类、票据整理和隐私筛查进入个人设备，但速度、内存占用与设备差异，仍会限制大规模普及。