Modelos y laboratorios

Perplexity Decider v1.3: los modelos de decisión de pesos abiertos aprenden a extraer texto, cinco veces más baratos que Gemini Decision 1

Perplexity actualiza sus modelos de decisión, que responden con probabilidades en lugar de texto. Decider v1.3 (27 mil millones de parámetros, base Qwen3.8-27B) y Decider Flash v1.3 (base Qwen3.5-4B) se publican bajo licencia Apache 2.0 e incorporan Locate, que extrae fragmentos exactos de un texto. Mediante API, cuestan 0,02 y 0,01 dólares por millón de tókenes de entrada, entre cinco y diez veces menos que Gemini Decision 1.

Ilustración abstracta: un haz de luz lavanda atraviesa un bloque de vidrio grabado con líneas y aísla algunos fragmentos luminosos.
Ilustración generada por IA

Los modelos de decisión, que responden a una pregunta cerrada mediante probabilidades en lugar de redactar una respuesta, se han convertido en cuestión de semanas en una categoría propia. Google acaba de adentrarse en ella con Gemini Decision 1. Perplexity responde con la versión 1.3 de sus modelos Decider: siguen siendo abiertos, mantienen el mismo precio y ahora son capaces de extraer fragmentos de un texto.

Dos modelos, una nueva función

La familia cuenta con dos tamaños. pplx-decider-v1.3 está ajustado a partir de Qwen3.8-27B y requiere una GPU con unos 49 GiB de memoria para sus pesos; pplx-decider-flash-v1.3, destilado del modelo grande sobre una base Qwen3.5-4B, cabe en unos 8,5 GiB. Ambos se publican bajo licencia Apache 2.0, que autoriza el uso comercial, y el repositorio es público: hemos podido descargar sus archivos sin token el 14 de noviembre, aunque la ficha afirme todavía lo contrario.

Al igual que las versiones anteriores, responden a preguntas de opción múltiple (hasta 255 opciones), de tipo sí/no o de puntuación en una escala, a partir de texto o imágenes. La novedad se llama Locate: en lugar de elegir entre respuestas predeterminadas, el modelo devuelve los fragmentos del texto que corresponden a una instrucción («los códigos de error», «la persona que firmó el contrato»), copiados palabra por palabra con su posición exacta en caracteres y una puntuación de confianza. Los casos de uso previstos son el reconocimiento de entidades nombradas, la detección de datos personales y las preguntas-respuestas extractivas. Locate solo funciona con texto, con un máximo de 128 preguntas por petición. Se apoya en un adaptador independiente, cargado bajo demanda, y mezclar preguntas Locate y preguntas de decisión en una misma petición añade latencia.

El precio, en comparación con Google

En la Decisions API de Perplexity, la v1.3 cuesta 0,02 dólares por millón de tókenes de entrada y la Flash 0,01 dólares, sin costes por petición ni cobro por tókenes de salida: son las tarifas de la v1.2, sin cambios. Gemini Decision 1 se factura a 0,10 dólares por millón de tókenes de entrada, es decir, cinco veces más que Decider v1.3 y diez veces más que la Flash. Y el ahorro no se traduce en menor calidad. Artificial Analysis, que ya ha integrado la v1.3 en su Decision Index v2.1 (página consultada el 14 de noviembre), le otorga 70 puntos, frente a 66 de Gemini Decision 1, con un coste medido de unos 68 dólares por millón de tareas frente a 345 dólares. La Flash v1.3 gana cuatro puntos sobre su predecesora (64 frente a 60) por unos 34 dólares por millón de tareas. El modelo grande apenas progresa respecto a la v1.2 en este índice y se mantiene por detrás del trío de cabeza, situado en 73 puntos (Drex Max v1.1, SubQ Snap 1.2 y GLiDE v1.2). El índice no mide Locate.

Nuestro análisis

Con Locate, Perplexity saca su modelo de decisión de la simple clasificación: una sola llamada puede ahora clasificar un mensaje, evaluar su urgencia y extraer los elementos útiles, tres tareas que a menudo requerían un modelo generativo o un extractor específico. Frente a Google, el argumento no es únicamente el precio, entre cinco y diez veces inferior, sino la apertura: con pesos bajo Apache 2.0, una empresa puede ejecutar la versión Flash en una sola GPU convencional y mantener sus datos dentro de su infraestructura, algo crucial precisamente para la detección de datos personales. Queda por verificar la calidad de la extracción, que el índice de Artificial Analysis no mide, sobre los propios documentos: la propia Perplexity aconseja calibrar las probabilidades sobre el tráfico real. Y el modelo grande apenas progresa en la decisión pura: la gran novedad de esta versión es, ante todo, Locate.

Fuentes

  1. Hugging Face — perplexity-ai/pplx-decider-v1.3 (ficha del modelo, licencia Apache 2.0) Fuente primaria
  2. Hugging Face — perplexity-ai/pplx-decider-flash-v1.3 (ficha del modelo) Fuente primaria
  3. Perplexity Docs — Pricing (Decisions API) Fuente primaria
  4. Perplexity Docs — Decisions API Quickstart Fuente primaria
  5. Google — Gemini Decisions API: Fast, calibrated multimodal decisions (11 de noviembre de 2026) Fuente primaria
  6. Google AI Studio — ficha del modelo Gemini Decision 1 Fuente primaria
  7. Artificial Analysis — Decision Index v2 (página de resultados) Fuente secundaria
  8. Artificial Analysis en X — coste por millón de tareas de Gemini Decision 1 (11 de noviembre de 2026) Fuente secundaria

Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.