Perplexity Decider v1.3: Open-Weight-Entscheidungsmodelle lernen Textextraktion – fünfmal günstiger als Gemini Decision 1
Perplexity aktualisiert seine Entscheidungsmodelle, die mit Wahrscheinlichkeiten statt mit Fließtext antworten. Decider v1.3 (27 Milliarden Parameter, Basis Qwen3.8-27B) und Decider Flash v1.3 (Basis Qwen3.5-4B) erscheinen unter Apache-2.0-Lizenz und führen Locate ein, eine Funktion zur wortgetreuen Textextraktion. Über die API kosten sie 0,02 bzw. 0,01 Dollar pro Million Eingabetoken – fünf- bis zehnmal weniger als Gemini Decision 1.

Entscheidungsmodelle, die geschlossene Fragen mit Wahrscheinlichkeiten statt mit ausformuliertem Text beantworten, haben sich binnen weniger Wochen zu einer eigenständigen Kategorie entwickelt. Google ist soeben mit Gemini Decision 1 in dieses Segment eingestiegen. Perplexity kontert mit der Version 1.3 seiner Decider-Modelle: weiterhin offen, weiterhin zum selben Preis und nun in der Lage, Textpassagen gezielt zu extrahieren.
Zwei Modelle, eine neue Funktion
Die Modellfamilie umfasst zwei Größen. pplx-decider-v1.3 wurde auf Basis von Qwen3.8-27B feinabgestimmt und benötigt eine GPU mit etwa 49 GiB Speicher für seine Gewichte; pplx-decider-flash-v1.3, aus dem großen Modell auf einer Qwen3.5-4B-Basis destilliert, kommt mit rund 8,5 GiB aus. Beide stehen unter der Apache-2.0-Lizenz, die eine kommerzielle Nutzung erlaubt, und das Repository ist öffentlich: Wir konnten die Dateien am 14. November ohne Token herunterladen, auch wenn die Modellkarte noch das Gegenteil behauptet.
Wie die Vorgängerversionen beantworten sie Multiple-Choice-Fragen (bis zu 255 Optionen), Ja/Nein-Fragen oder Skalenbewertungen anhand von Text oder Bildern. Die Neuerung heißt Locate: Statt aus vordefinierten Antworten zu wählen, gibt das Modell diejenigen Textstellen zurück, die einer Vorgabe entsprechen („die Fehlercodes“, „die Person, die den Vertrag unterzeichnet hat“) – wortgetreu kopiert, mit ihrer exakten Zeichenposition und einem Konfidenzwert. Vorgesehene Anwendungsbereiche sind Eigennamenerkennung (Named Entity Recognition), die Erkennung personenbezogener Daten sowie extraktives Question-Answering. Locate funktioniert ausschließlich mit Text und erlaubt maximal 128 Fragen pro Anfrage. Die Funktion stützt sich auf einen separaten Adapter, der bei Bedarf nachgeladen wird; das gemeinsame Verarbeiten von Locate- und Entscheidungsfragen in einer einzigen Anfrage erhöht die Latenz.
Der Preis im Vergleich zu Google
In Perplexitys Decisions API kostet v1.3 0,02 Dollar pro Million Eingabetoken und Flash 0,01 Dollar, ohne Abfragegebühren oder abgerechnete Ausgabetoken – die Preise bleiben damit gegenüber v1.2 unverändert. Gemini Decision 1 schlägt mit 0,10 Dollar pro Million Eingabetoken zu Buche, was fünfmal teurer als Decider v1.3 und zehnmal teurer als Flash ist. Und die Ersparnis geht nicht zulasten der Qualität. Artificial Analysis, die v1.3 bereits in ihren Decision Index v2.1 aufgenommen hat (Stand 14. November), bewertet das Modell mit 70 Punkten, gegenüber 66 Punkten für Gemini Decision 1 – bei gemessenen Kosten von etwa 68 Dollar pro Million Aufgaben im Vergleich zu 345 Dollar. Flash v1.3 legt gegenüber der Vorgängerversion um vier Punkte zu (64 gegenüber 60 Punkten) bei etwa 34 Dollar pro Million Aufgaben. Das große Modell verzeichnet in diesem Index gegenüber v1.2 kaum Zuwächse und bleibt hinter dem Führungstrio mit 73 Punkten (Drex Max v1.1, SubQ Snap 1.2 und GLiDE v1.2) zurück. Locate wird im Index nicht erfasst.
Unsere Einschätzung
Mit Locate erweitert Perplexity das Einsatzfeld seines Entscheidungsmodells über das bloße Sortieren hinaus: Ein einziger Aufruf kann nun eine Nachricht klassifizieren, ihre Dringlichkeit bewerten und relevante Bestandteile herausziehen – drei Aufgaben, für die bislang oft ein generatives Modell oder ein spezialisierter Extraktor nötig waren. Gegenüber Google besteht das Argument nicht mehr nur im fünf- bis zehnmal niedrigeren Preis, sondern in der Offenheit: Dank Gewichten unter Apache 2.0 kann ein Unternehmen die Flash-Version auf einer einzelnen Standard-GPU lokal betreiben und die Daten im eigenen Haus behalten, was gerade bei der Erkennung sensibler personenbezogener Daten entscheidend ist. Allerdings muss sich die Extraktionsqualität, die der Index von Artificial Analysis nicht misst, erst noch an eigenen Dokumenten beweisen; Perplexity selbst empfiehlt, die Wahrscheinlichkeiten am realen Datenverkehr zu kalibrieren. Zudem macht das große Modell bei reinen Entscheidungsaufgaben kaum Fortschritte: Das eigentliche Novum dieser Version ist Locate.
Quellen
- Hugging Face — perplexity-ai/pplx-decider-v1.3 (Modellkarte, Apache-2.0-Lizenz) Primärquelle
- Hugging Face — perplexity-ai/pplx-decider-flash-v1.3 (Modellkarte) Primärquelle
- Perplexity Docs — Pricing (Decisions API) Primärquelle
- Perplexity Docs — Decisions API Quickstart Primärquelle
- Google — Gemini Decisions API: Fast, calibrated multimodal decisions (11. November 2026) Primärquelle
- Google AI Studio — Modellkarte Gemini Decision 1 Primärquelle
- Artificial Analysis — Decision Index v2 (Ergebnisseite) Sekundärquelle
- Artificial Analysis auf X — Kosten pro Million Aufgaben von Gemini Decision 1 (11. November 2026) Sekundärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.


