Modèles & labos

Perplexity Decider v1.3 : les modèles de décision à poids ouverts apprennent à extraire du texte, cinq fois moins chers que Gemini Decision 1

Perplexity met à jour ses modèles de décision, qui répondent par des probabilités plutôt que par du texte. Decider v1.3 (27 milliards de paramètres, base Qwen3.8-27B) et Decider Flash v1.3 (base Qwen3.5-4B) sont publiés sous licence Apache 2.0 et ajoutent Locate, qui extrait des passages exacts d'un texte. Via l'API, ils coûtent 0,02 et 0,01 dollar par million de jetons d'entrée, cinq à dix fois moins que Gemini Decision 1.

Illustration abstraite : un faisceau de lumière lavande traverse un bloc de verre gravé de lignes et en isole quelques fragments lumineux.
Illustration générée par IA

Les modèles de décision, qui répondent à une question fermée par des probabilités au lieu d’écrire une réponse, sont devenus en quelques semaines une catégorie à part. Google vient d’y entrer avec Gemini Decision 1. Perplexity répond avec la version 1.3 de ses modèles Decider : toujours ouverts, toujours au même prix, et capables désormais d’extraire des passages d’un texte.

Deux modèles, une nouvelle fonction

La famille compte deux tailles. pplx-decider-v1.3 est affiné à partir de Qwen3.8-27B et demande un GPU avec environ 49 Gio de mémoire pour ses poids ; pplx-decider-flash-v1.3, distillé du grand modèle sur une base Qwen3.5-4B, tient dans environ 8,5 Gio. Les deux sont publiés sous licence Apache 2.0, qui autorise l’usage commercial, et le dépôt est public : nous avons pu en télécharger les fichiers sans jeton le 14 novembre, même si la fiche affirme encore le contraire.

Comme les versions précédentes, ils répondent à des questions de choix (jusqu’à 255 options), de type oui/non ou de notation sur une échelle, à partir d’un texte ou d’images. La nouveauté s’appelle Locate : au lieu de choisir parmi des réponses prévues, le modèle renvoie les passages du texte qui correspondent à une consigne (« les codes d’erreur », « la personne qui a signé le contrat »), copiés mot pour mot avec leur position exacte en caractères et un score de confiance. Les usages visés sont la reconnaissance d’entités nommées, la détection de données personnelles et les questions-réponses extractives. Locate ne fonctionne que sur du texte, avec 128 questions au plus par requête. Il repose sur un adaptateur séparé, chargé à la demande, et mélanger Locate et questions de décision dans une même requête ajoute de la latence.

Le prix, mis en regard de Google

Dans la Decisions API de Perplexity, la v1.3 coûte 0,02 dollar par million de jetons d’entrée et la Flash 0,01 dollar, sans frais par requête ni jetons de sortie facturés : ce sont les tarifs de la v1.2, inchangés. Gemini Decision 1 est facturé 0,10 dollar par million de jetons d’entrée, soit cinq fois plus que Decider v1.3 et dix fois plus que la Flash. Et l’économie ne se paie pas en qualité. Artificial Analysis, qui a déjà intégré la v1.3 à son Decision Index v2.1 (page consultée le 14 novembre), lui donne 70 points, contre 66 pour Gemini Decision 1, pour un coût mesuré d’environ 68 dollars par million de tâches contre 345 dollars. La Flash v1.3 gagne quatre points sur sa devancière (64 contre 60) pour environ 34 dollars par million de tâches. Le grand modèle, lui, progresse à peine par rapport à la v1.2 sur cet indice, et reste derrière le trio de tête à 73 points (Drex Max v1.1, SubQ Snap 1.2 et GLiDE v1.2). L’indice ne mesure pas Locate.

Notre lecture

Avec Locate, Perplexity fait sortir son modèle de décision du simple tri : un même appel peut désormais classer un message, juger son urgence et en extraire les éléments utiles, trois tâches qui demandaient souvent un modèle génératif ou un extracteur dédié. Face à Google, l’argument n’est plus seulement le prix, cinq à dix fois inférieur, mais l’ouverture : avec des poids sous Apache 2.0, une entreprise peut faire tourner la version Flash sur un seul GPU courant et garder ses données chez elle, ce qui compte précisément pour la détection de données personnelles. Reste à vérifier la qualité de l’extraction, que l’indice d’Artificial Analysis ne mesure pas, sur ses propres documents : Perplexity elle-même conseille de calibrer les probabilités sur son trafic réel. Et le grand modèle ne progresse guère sur la décision pure : la nouveauté de cette version est d’abord Locate.

Sources

  1. Hugging Face — perplexity-ai/pplx-decider-v1.3 (fiche du modèle, licence Apache 2.0) Source primaire
  2. Hugging Face — perplexity-ai/pplx-decider-flash-v1.3 (fiche du modèle) Source primaire
  3. Perplexity Docs — Pricing (Decisions API) Source primaire
  4. Perplexity Docs — Decisions API Quickstart Source primaire
  5. Google — Gemini Decisions API: Fast, calibrated multimodal decisions (11 novembre 2026) Source primaire
  6. Google AI Studio — fiche du modèle Gemini Decision 1 Source primaire
  7. Artificial Analysis — Decision Index v2 (page de résultats) Source secondaire
  8. Artificial Analysis sur X — coût par million de tâches de Gemini Decision 1 (11 novembre 2026) Source secondaire

Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.