Modelli & lab

Perplexity Decider v1.3: i modelli decisionali a pesi aperti imparano a estrarre testo, cinque volte più economici di Gemini Decision 1

Perplexity aggiorna i suoi modelli decisionali, che rispondono tramite probabilità anziché generare testo. Decider v1.3 (27 miliardi di parametri, basato su Qwen3.8-27B) e Decider Flash v1.3 (basato su Qwen3.5-4B) vengono rilasciati con licenza Apache 2.0 e introducono Locate, che estrae passaggi esatti da un testo. Tramite API costano 0,02 e 0,01 dollari per milione di token di input, da cinque a dieci volte meno di Gemini Decision 1.

Illustrazione astratta: un fascio di luce color lavanda attraversa un blocco di vetro inciso da linee e ne isola alcuni frammenti luminosi.
Illustrazione generata dall'IA

I modelli decisionali, che rispondono a una domanda chiusa tramite probabilità invece di generare una risposta testuale, sono diventati in poche settimane una categoria a sé stante. Google vi ha appena fatto il suo ingresso con Gemini Decision 1. Perplexity risponde con la versione 1.3 dei suoi modelli Decider: sempre aperti, sempre allo stesso prezzo e ora capaci di estrarre passaggi di testo.

Due modelli, una nuova funzione

La famiglia comprende due dimensioni. pplx-decider-v1.3 è perfezionato a partire da Qwen3.8-27B e richiede una GPU con circa 49 GiB di memoria per i suoi pesi; pplx-decider-flash-v1.3, distillato dal modello più grande su base Qwen3.5-4B, entra in circa 8,5 GiB. Entrambi sono rilasciati sotto licenza Apache 2.0, che autorizza l’uso commerciale, e il repository è pubblico: la redazione ha potuto scaricarne i file senza token il 14 novembre, anche se la scheda afferma ancora il contrario.

Come nelle versioni precedenti, rispondono a domande a scelta multipla (fino a 255 opzioni), di tipo sì/no o di valutazione su una scala, a partire da testo o immagini. La novità si chiama Locate: anziché scegliere tra risposte predefinite, il modello restituisce i passaggi del testo corrispondenti a un’istruzione («i codici di errore», «la persona che ha firmato il contratto»), copiati parola per parola con la loro posizione esatta in caratteri e un punteggio di confidenza. Gli ambiti di utilizzo previsti sono il riconoscimento di entità nominate, l’individuazione di dati personali e il question-answering estrattivo. Locate funziona solo su testo, con al massimo 128 domande per richiesta. Si basa su un adattatore separato, caricato su richiesta, e combinare Locate e domande decisionali all’interno della stessa richiesta aggiunge latenza.

Il prezzo, a confronto con Google

Nella Decisions API di Perplexity, la v1.3 costa 0,02 dollari per milione di token di input e la Flash 0,01 dollari, senza costi per richiesta né token di output fatturati: sono le tariffe della v1.2, rimaste invariate. Gemini Decision 1 viene fatturato a 0,10 dollari per milione di token di input, ossia cinque volte più di Decider v1.3 e dieci volte più della Flash. E il risparmio non va a scapito della qualità. Artificial Analysis, che ha già integrato la v1.3 nel suo Decision Index v2.1 (pagina consultata il 14 novembre), le assegna 70 punti, contro i 66 di Gemini Decision 1, con un costo misurato di circa 68 dollari per milione di task a fronte di 345 dollari. La Flash v1.3 guadagna quattro punti rispetto al modello precedente (64 contro 60) per circa 34 dollari per milione di task. Il modello grande, dal canto suo, progredisce a malapena rispetto alla v1.2 su questo indice, e rimane dietro al terzetto di testa a 73 punti (Drex Max v1.1, SubQ Snap 1.2 e GLiDE v1.2). L’indice non misura Locate.

La nostra lettura

Con Locate, Perplexity fa compiere al suo modello decisionale un salto oltre la semplice classificazione: una stessa chiamata può ora catalogare un messaggio, valutarne l’urgenza ed estrarne gli elementi utili, tre compiti che spesso richiedevano un modello generativo o un estrattore dedicato. Rispetto a Google, la carta vincente non è più soltanto il prezzo, da cinque a dieci volte inferiore, ma l’apertura: con pesi rilasciati sotto licenza Apache 2.0, un’azienda può eseguire la versione Flash su una singola GPU standard e conservare i dati all’interno della propria infrastruttura, aspetto determinante proprio per l’individuazione di dati personali. Resta da verificare la qualità dell’estrazione, che l’indice di Artificial Analysis non misura, sui propri documenti: la stessa Perplexity suggerisce di calibrare le probabilità sul proprio traffico reale. Inoltre, il modello di punta registra pochi progressi sul fronte della decisione pura: la vera novità di questa versione risiede soprattutto in Locate.

Fonti

  1. Hugging Face — perplexity-ai/pplx-decider-v1.3 (scheda del modello, licenza Apache 2.0) Fonte primaria
  2. Hugging Face — perplexity-ai/pplx-decider-flash-v1.3 (scheda del modello) Fonte primaria
  3. Perplexity Docs — Pricing (Decisions API) Fonte primaria
  4. Perplexity Docs — Decisions API Quickstart Fonte primaria
  5. Google — Gemini Decisions API: Fast, calibrated multimodal decisions (11 novembre 2026) Fonte primaria
  6. Google AI Studio — scheda del modello Gemini Decision 1 Fonte primaria
  7. Artificial Analysis — Decision Index v2 (pagina dei risultati) Fonte secondaria
  8. Artificial Analysis su X — costo per milione di task di Gemini Decision 1 (11 novembre 2026) Fonte secondaria

Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.