Perplexity, Decider v1.3 karar modelini Apache lisansıyla açtı: sınıflandırma, yeniden sıralama ve kişisel veri tespiti için tek model
Perplexity, metin ve görselde sınıflandırma, puanlama ve yeniden sıralama yapan Decider v1.3 ile küçük kardeşi Decider Flash v1.3'ü Hugging Face'te Apache lisansıyla yayımladı. Şirket modeli kendi AI agent loglarını denetlemekte de kullandığını söylüyor.
Perplexity, Decider v1.3 ve ondan damıtılan daha küçük Decider Flash v1.3 modellerini duyurdu. Şirketin blog yazısına göre iki model de Hugging Face'te Apache lisansıyla, ayrıca OpenRouter ve Perplexity Decisions API üzerinden kullanılabiliyor.
Karar modeli ne yapıyor?
Decider metin üretmiyor; genel amaçlı bir sınıflandırıcı. Modele bir girdi ve her biri seçenekleri belli sorular veriliyor; model her soru için seçenekler üzerinde bir olasılık dağılımı döndürüyor. Evet/hayır, çoktan seçmeli ve sıralı puan olmak üzere üç soru tipi destekleniyor. Perplexity, birden fazla soruyu aynı girdi üzerinde tek geçişte yanıtladığı için bu işi kelime kelime metin üreten bir LLM'den daha hızlı ve ucuz yaptığını söylüyor.
Şirketin saydığı kullanım alanları arasında çıktı kalitesini ve güvenliğini değerlendirme, istekleri küçük ya da büyük modele yönlendirme, arama sonuçlarını yeniden sıralama ve tool çıktılarında phishing ile prompt injection tespiti var. v1.3 ile gelen locate özelliği ise metinden kişi adı, e-posta adresi gibi kişisel verileri ve istenen alanları karakter konumlarıyla çıkarabiliyor. Büyük model Qwen3.8-27B üzerine, küçük model ise Qwen3.5-4B üzerine kurulmuş.
Üreticinin rakamları
Perplexity'nin kendi değerlendirmesine göre Decider v1.3, şirketin 63 iç sınıflandırma görevinde ortalama yüzde 91,6 doğruluğa ulaştı ve mevcut üretim sınıflandırıcılarını 6,54 puan geçti. Şirket, seçeneklerin sırası ya da etiketleri değiştirildiğinde modelin cevabını yalnızca yüzde 0,27 oranında değiştirdiğini de belirtiyor. Bu rakamlar üreticinin iddiası; bağımsız doğrulama kaynakta yok.
Neden önemli?
Yazının güvenlik açısından ilginç kısmı, Perplexity'nin modeli kendi agent'larını denetlemekte nasıl kullandığı. Şirket agent etkinliğini kural tabanlı kontrollerle gerçek zamanlı izliyor; Decider ise logları sonradan okuyup kuralların neyi kaçırdığına ve hangi alarmın yanlış olduğuna bakıyor. Perplexity'ye göre model bir günde 7.000 agent oturumunda 1 milyar token okudu, 14 kural düzeltmesi önerdi; bunların 6'sı güvenlik ekibinin onayıyla iki gün içinde devreye alındı.
Kimin işine yarar / ne yapabilirsiniz?
- Moderasyon, yönlendirme ya da log sınıflandırması için pahalı bir LLM çağıran ekipler, açık lisanslı bir karar modelinin maliyet ve gecikmeyi düşürüp düşürmediğini kendi verileriyle deneyebilir.
- Kişisel veri tespiti için kullanmayı düşünenler, modeli önce kendi dilindeki örneklerle sınamalı; şirketin çok dilli testinde Türkçe yer almıyor.
- Agent loglarını denetleyen güvenlik ekipleri için yazıdaki "kural tabanlı gerçek zamanlı izleme, model destekli sonradan denetim, insan onayıyla kural düzeltmesi" düzeni, insanı döngüden çıkarmadan uygulanabilecek bir örnek.
