Decider v1.3（ディサイダー・ブイワンサンテン）は、Perplexityが2026年11月12日に発表した決定モデルで、入力と選択肢付きの質問群を渡すと、テキストを生成せず各選択肢の確率を1回の推論で返せるのが特徴です。
室谷代表取締役今回はPerplexityの新しい決定モデル、Decider v1.3とDecider Flash v1.3の話なんですよね。発表そのものはPerplexityですが、性能を測ったのはArtificial Analysisで、Decision Index v2.1でv1.3が70点、Flash v1.3が64点という結果が出ています。
テキトー教師DotAI 認定講師そうですね。まず押さえておきたいのは、これが「文章を書くモデル」ではないという点です。
決定モデルは汎用の分類器で、入力（state）と選択肢付きの質問を渡すと、質問ごとに選択肢の確率を返す。テキスト生成をしないぶん、安くて速い。
単に新しいモデルが出たという話じゃないんですよ。
決定モデルは汎用の分類器で、入力（state）と選択肢付きの質問を渡すと、質問ごとに選択肢の確率を返す。テキスト生成をしないぶん、安くて速い。
単に新しいモデルが出たという話じゃないんですよ。
室谷代表取締役そこが一番誤解されやすいところですよね。チャットモデルにラベルを答えさせてパースする、あの手間がなくなるという話で・・・。
テキトー教師DotAI 認定講師ええ。従来は生成LLMに「YesかNoか答えてください」と頼んで文字列を解析するか、タスク専用の分類器を作るかでした。
前者はトークン生成のコストとパースの手間、後者は新規タスクごとに作り直す手間がある。決定モデルはその中間に位置して、自然言語プロンプトで新しいタスクに対応できるわけです。
前者はトークン生成のコストとパースの手間、後者は新規タスクごとに作り直す手間がある。決定モデルはその中間に位置して、自然言語プロンプトで新しいタスクに対応できるわけです。
Decider v1.3とは？Perplexityが発表した決定モデルの概要
Decider v1.3 と Decider Flash v1.3 の仕様比較
Decider v1.3
- サイズ: 27B
- ベースモデル: Qwen3.8-27B
- コンテキストウィンドウ: 256Kトークン
- 入力: テキストと画像（マルチモーダル）
- ライセンス: Apache License 2.0
Decider Flash v1.3
- サイズ: 4B
- ベースモデル: Qwen3.5-4B
- Decider v1.3から蒸留された小型モデル
- コンテキストウィンドウ: 256Kトークン
- 入力: テキストと画像（マルチモーダル）
- ライセンス: Apache License 2.0
室谷代表取締役発表の整理をしておくと、Perplexityはこれまでv1、v1.1、v1.2、そしてFlash v1.2と決定モデルを積み上げてきていて、今回がその最新版なんですよね。Decider Flash v1.3は、Decider v1.3から蒸留された小型モデルという位置づけです。
テキトー教師DotAI 認定講師仕様を並べるとこうなります。整理するとこうです。
- コンテキストウィンドウ: 256Kトークン
- 入力: テキストと画像（マルチモーダル）
- サイズ: Decider v1.3が27B、Decider Flash v1.3が4B
- ライセンス: Apache License 2.0
- 提供: Hugging Face、OpenRouter、PerplexityのDecisions API
室谷代表取締役27BでApache License 2.0、Hugging Faceで公開というのは実務的に大きいですよね。オープンウェイトで重みが入手できるので、検証も自前ホストも選択肢に入る。
MYUUUでも分類系のタスクは山ほどあるので、これは試さないといけないなと・・・。
MYUUUでも分類系のタスクは山ほどあるので、これは試さないといけないなと・・・。
テキトー教師DotAI 認定講師ベースモデルについても公式ブログに書かれています。大きい方がQwen3.8-27B、小さい方がQwen3.5-4Bを土台にしていると。
生成LLMのバックボーンを決定モデルに作り替える、という発想ですね。
生成LLMのバックボーンを決定モデルに作り替える、という発想ですね。
室谷代表取締役その作り替えの仕組みが面白いんですよ。質問の選択肢それぞれにA、B、Cのようなラベルトークンを割り当てて、特別なマーカートークンの位置で隠れ状態を読む。
出力層は元モデルの語彙全体のスコア層から、選択肢トークンに対応する行だけ残して訓練する。これで分類問題を全部マルチチョイスとして扱えるわけです。
出力層は元モデルの語彙全体のスコア層から、選択肢トークンに対応する行だけ残して訓練する。これで分類問題を全部マルチチョイスとして扱えるわけです。
テキトー教師DotAI 認定講師双方向アテンションにしている点もv1.3の特徴ですね。因果アテンションだと各トークンは自分より前しか見られないですが、全アテンション層を双方向にすると性能が上がるというアブレーション結果があったと。
さらにv1.3では「isolated questions」という設計を選んでいて、stateは全質問を見るけれど、各質問はstateと自分のトークンだけを見る。質問同士が共有state経由で間接的に影響し合うので、答えが安定するという説明です。
さらにv1.3では「isolated questions」という設計を選んでいて、stateは全質問を見るけれど、各質問はstateと自分のトークンだけを見る。質問同士が共有state経由で間接的に影響し合うので、答えが安定するという説明です。
室谷代表取締役v1.2は「全部が全部を見る」だったわけですよね。それだと他の質問に何を聞くかで答えが変わってしまう。
実務だと、同じ入力に対して複数質問をまとめて投げたい場面が多いので、安定性は効いてきますよね。
実務だと、同じ入力に対して複数質問をまとめて投げたい場面が多いので、安定性は効いてきますよね。
テキトー教師DotAI 認定講師ちなみに、stateが自分だけを見る「完全キャッシュ可能」な設計も検討されていて、プロンプトキャッシュを活かせるけれど、stateが質問を見ることが重要なタスクがあるのでデフォルトでは採用していない。小さなファインチューニングで切り替えられる、と公式ブログには書かれています。
Decider v1.3とDecider Flash v1.3でできること
Decider v1.3 / Decider Flash v1.3 でできること
noul（Yes/No）
Yesの確率を0〜1で返す
choice（多肢選択）
選択肢ごとの確率と最有力の選択肢を返す
score（スコア）
各レベルの確率と期待スコアを返す
locate（v1.3で追加）
記述に一致するstate内のテキストを位置情報とスコア付きで返す。固有表現抽出・個人情報特定・抽出型QAに利用
locateの仕組み
<|locate|>特殊トークンとspanヘッド、LoRAアダプタを追加。バックボーンとdecisionヘッドは凍結し、locateリクエスト時のみアダプタを有効化（マージすると決定側に回帰が出るため非マージ運用）
主な用途
出力の品質判定、難易度に応じたモデルルーティング、モデレーション・セキュリティ、フィルタリングとタグ付け、検索結果の再ランキング（Perplexity社内でも利用）
室谷代表取締役できることの整理が大事ですよね。決定モデルが受ける質問は3種類で、Yes/No、多肢選択、スコア（順序付き評価）。
これにv1.3からlocateが加わったと。
これにv1.3からlocateが加わったと。
テキトー教師DotAI 認定講師そうですね。公式ドキュメントの表で言うと、noul（Yes/No）はYesの確率を0〜1で返す、choiceは選択肢ごとの確率と最有力の選択肢を返す、scoreは各レベルの確率と期待スコアを返す、locateは記述に一致するstate内のテキストを、位置情報とスコア付きで返す。
室谷代表取締役locateは要するに、固有表現抽出や個人情報の特定、抽出型の質問応答を、選択肢から選ぶのではなく原文から文字位置付きで抜き出す機能ですよね。これは実務でかなり嬉しいやつです。
テキトー教師DotAI 認定講師仕組みも面白くて、<|locate|>という新しい特殊トークンとspanヘッド、LoRAアダプタを追加して、元のバックボーンとdecisionヘッドは凍結したまま、その部分だけ訓練する。locateリクエストのときだけアダプタを有効にする運用にしていると。
マージすると決定リクエスト側に回帰が出るので、あえてマージしないという正直な設計判断が書かれています。
マージすると決定リクエスト側に回帰が出るので、あえてマージしないという正直な設計判断が書かれています。
室谷代表取締役そこ、地味にすごく誠実ですよね。マージしたら既存性能が落ちたから、じゃあ分けたまま運用しよう、と。
研究ブログでこういう失敗も含めて書いてくれるのは信頼できます。
研究ブログでこういう失敗も含めて書いてくれるのは信頼できます。
テキトー教師DotAI 認定講師用途としては、出力の品質判定、難易度に応じたモデルルーティング、モデレーションやセキュリティ、フィルタリングとタグ付け、検索結果の再ランキングなどが挙げられています。Perplexity自身も社内で使っていると。
室谷代表取締役ルーティングはわかりやすいですよね。簡単な質問は小さいモデルへ、難しい質問は大きいモデルへ、みたいな振り分けを確率でやれる。
閾値をコード側で決めて分岐できるので、パースが要らないのが強い。
閾値をコード側で決めて分岐できるので、パースが要らないのが強い。
テキトー教師DotAI 認定講師講座でも受講生さんによく言うんですが、生成AIを業務に入れるときのボトルネックって、実は「判定」なんですよ。この問い合わせは緊急か、この出力は安全か、この検索結果は関連するか。
そこをLLMの文章生成でやろうとすると、コストも不安定さもついてくる。決定モデルはそこを数値で返してくれる。
そこをLLMの文章生成でやろうとすると、コストも不安定さもついてくる。決定モデルはそこを数値で返してくれる。
室谷代表取締役まさに。プロンプトで「YesかNoで答えてください」と書いて、たまに「はい、〜です」と返ってくるのを正規表現で拾う、あの作業から解放されるわけですからね。
Decider v1.3の性能——Decision Index v2.1で70点、何が評価されたか
Decision Index v2.1の構成とDecider v1.3の評価
| 評価項目 | 重み | Decider v1.3 | v1.2からの変化 |
|---|---|---|---|
| AA-Paperclip | 30% | 69点・4位 | +2点 |
| EvalSafe-O*NET-AA | 15% | 89点・3位 | +1点 |
| When2Call | 10% | 言及なし | 言及なし |
| AA-Omniscience-Decision v1.1 | 15% | 言及なし | 言及なし |
| HLE-MultiChoice v1.1 | 15% | 言及なし | 言及なし |
| AA-Symmetry v1.1 | 15% | 言及なし | 言及なし |
室谷代表取締役ここからがベンチマークの話です。Artificial AnalysisのDecision Index v2.1でDecider v1.3は70点。
これはv1.2から順位を維持して6位ということなんですよね。
これはv1.2から順位を維持して6位ということなんですよね。
テキトー教師DotAI 認定講師Decision Index v2.1が何を測っているかも押さえておきたいです。6つの評価の合成で、AA-Paperclipが30%、EvalSafe-O*NET-AAが15%、When2Callが10%、AA-Omniscience-Decision v1.1が15%、HLE-MultiChoice v1.1が15%、AA-Symmetry v1.1が15%という重み付けです。
室谷代表取締役AA-Paperclipは履歴書や領収書、請求書、研究論文の各文書について判断と事実抽出を測るもの、EvalSafe-O*NET-AAは職場文書に関する判断、When2CallはNVIDIAのツール呼び出し評価、AA-Symmetryは選択肢の順序を変えたり言い換えたり否定したりしても判断が保たれるかを見るもの、と。
テキトー教師DotAI 認定講師そのうちDecider v1.3はAA-Paperclipで69点の4位、EvalSafe-O*NET-AAで89点の3位。それぞれv1.2から2点、1点の改善です。
室谷代表取締役文書からの判断と抽出、そして職場文書の判断で上位に入っているのは、実務で使う身からすると素直に気になりますよね。請求書の処理とか、論文のファクト抽出とか、まさにそういう仕事が転がっていますから。
テキトー教師DotAI 認定講師さらにPerplexityの公式ブログでは、社内のクエリ分類63タスクでDecider v1.3が平均91.6%を記録し、生産用の分類器を6.54ポイント上回ったと報告されています。これはかなり具体的な数字です。
室谷代表取締役本番で動いている分類器を上回ったというのは大きいですよね。研究用のベンチマークではなく、実際にPerplexityが回しているパイプラインの話ですから。
テキトー教師DotAI 認定講師ドメイン別の分類でも、クレーム検証、医療、サイバーセキュリティ、プログラミング、政府、法律、金融の7領域すべてでDecider v1.3が首位で、金融ではJev 1.14を最大12.9ポイント、法律では9.3ポイント上回ったと。ただしDecider Flash v1.3は金融・プログラミング・法律でJev 1.14に劣り、他の領域では同程度だったと書かれています。
室谷代表取締役ここは正確に伝えておきたいところですね。Flashは小型で安いぶん、全部勝っているわけではない。
用途で使い分ける前提のモデルだと。
用途で使い分ける前提のモデルだと。
テキトー教師DotAI 認定講師なお、Decision IndexにはOpenAI、Google、Microsoft、Cloudflareなど多数のラボのモデルが掲載されていますが、個別のスコアや順位は今回の発表ソースでは言及されていないので、そこは触れずにおきます。
室谷代表取締役あと、PerplexityのDeciderはTypeSafe AIの「Jev」に着想を得たと公式に書かれていて、資料上もJev 1.14との比較が示されている。この系譜は知っておくと理解が早いですよね。
決定モデルというカテゴリ自体、まだ新しいので。
決定モデルというカテゴリ自体、まだ新しいので。
テキトー教師DotAI 認定講師Decider Flash v1.3はv1.2から4点向上——小型モデルの進化を読む
室谷代表取締役Flashのほうは64点で、v1.2から4点アップ。順位も10位に上がったという話でした。
テキトー教師DotAI 認定講師内訳が面白くて、AA-SymmetryとWhen2Callでそれぞれ12ポイント改善したことが4点向上につながったと。つまり、選択肢を動かしても判断がぶれない安定性と、ツール呼び出しの判断が大きく伸びたということです。
室谷代表取締役小型モデルで12ポイントって、かなり大きいですよね。蒸留の設計を変えた効果なのか、訓練データのキュレーションなのか。
公式ブログでは、蒸留はKLダイバージェンス最小化で、クロスエントロピーよりも汎化するという仮説が書かれています。
公式ブログでは、蒸留はKLダイバージェンス最小化で、クロスエントロピーよりも汎化するという仮説が書かれています。
テキトー教師DotAI 認定講師そうですね。教師モデルの出力分布ごと生徒に移すので、正解ラベルだけでなく「非正解の選択肢への確信度」も伝わる。
クロスエントロピーだとベンチマーク固有の訓練分布に過学習しやすい、という説明です。
クロスエントロピーだとベンチマーク固有の訓練分布に過学習しやすい、という説明です。
室谷代表取締役あと、訓練レシピが3段階なのもポイントですよね。まず大規模コーパスで汎用訓練、次にLoRAでドメイン特化、最後にビジョン特化。
しかもテキストの利用が多いからテキスト指標を優先する、と。
しかもテキストの利用が多いからテキスト指標を優先する、と。
テキトー教師DotAI 認定講師テキストの2段階では、異なる乱数シードで3回走らせた平均の重みを使うと。性能と頑健性が上がるということです。
室谷代表取締役地味ですけど、こういうところが効くんですよね。あと、訓練データから評価と重複しうるサンプルを除去しているというのも書かれていて、ベンチマーク汚染への対策として誠実だなと。
テキトー教師DotAI 認定講師バイアスの監査と除去も行っていると。リーダーボードは繰り返し提出とチューニングで攻略されうるので、社内の非公開タスクと公開データのホールドアウトを組み合わせた200以上のタスクで別途評価している、という説明は説得力があります。
室谷代表取締役前バージョンの話も軽く触れておくと、v1.2についてはPerplexity Decider v1.2とは？OpenRouterで提供開始された確率で答える決定モデルで解説しているので、差分を見たい人はそちらを読むとわかりやすいです。
料金と提供範囲——日本から使えるか、Hugging FaceやAPIでの入手
室谷代表取締役ここが実務的に一番気になる料金の話です。Decisions APIは入力トークンあたりの課金で、Decider v1.3が100万入力トークン0.02ドル、Flash v1.3が0.01ドル。
出力トークンは無料なんですよね。
出力トークンは無料なんですよね。
テキトー教師DotAI 認定講師そうですね。公式ドキュメントにはpplx-decider-v1.3とpplx-decider-v1.2が0.02ドル、pplx-decider-flash-v1.3とpplx-decider-flash-v1.2が0.01ドルと書かれています。
出力は無料。Webグラウンディングを使う場合は1,000回のWeb検索またはURLフェッチあたり1ドルが追加されます。
出力は無料。Webグラウンディングを使う場合は1,000回のWeb検索またはURLフェッチあたり1ドルが追加されます。
室谷代表取締役さらにArtificial Analysisは、Decision Indexの100万タスクあたりのコストとしてDecider v1.3が68ドル、Flash v1.3が34ドルと算出していて、能力対コストのパレートフロンティア上に位置するとしています。
テキトー教師DotAI 認定講師この「タスクあたりのコスト」という見方は大事ですよね。トークン単価が安くても、タスクをこなすのに大量のトークンを食えば高い。
実際に100万タスクを回したときの総額で見ると、両モデルがコストと能力のバランスで有利な位置にいる、という評価です。
実際に100万タスクを回したときの総額で見ると、両モデルがコストと能力のバランスで有利な位置にいる、という評価です。
室谷代表取締役日本から使えるかという点ですが、PerplexityのAPIは通常のAPIキーで使えますし、Hugging FaceでApache License 2.0の重みが公開されているので、自前でホストする道もあります。OpenRouter経由でも提供されています。
テキトー教師DotAI 認定講師ただし、日本向けの特別な料金や地域制限についての記載は今回のソースにはありません。現時点では明らかにされていない、という扱いが正確ですね。
室谷代表取締役そうですね。あと、macOS向けに「Decider for Mac」というドキュメントも用意されているので、ローカルで試す入り口は広がっています。
テキトー教師DotAI 認定講師ちなみにFlashは、1リクエストに複数の質問をまとめても、質問ごとに個別評価してstateを質問ごとに課金する仕様だとドキュメントに書かれています。コスト計算をするときはここに注意です。
室谷代表取締役そこは大事ですよね。まとめて投げれば安くなるわけではない、と。
v1.3本体はstateを共有して複数質問を1回で処理する設計なので、そこも含めて設計判断が分かれます。
v1.3本体はstateを共有して複数質問を1回で処理する設計なので、そこも含めて設計判断が分かれます。
Decider v1.3の使い方・始め方——locate機能と実務ユースケース
室谷代表取締役使い方の入り口は、PerplexityのAPIキーを取って、Pythonならperplexityai 0.44.0以降、TypeScriptなら@perplexity-ai/perplexity_ai 0.39.0以降を入れて、api.perplexity.ai/v1/decisionsにPOSTする。エンドポイントは単一のJSON POSTなので、任意のHTTPクライアントでも叩けます。
テキトー教師DotAI 認定講師リクエストの構造はシンプルです。stateにテキストやJSON、画像を渡し、questionsに名前付きの質問を並べる。
質問の種類はnoul、choice、score、locate。返ってくるのは質問名ごとの答えで、choiceなら確率の分布と最有力の選択肢、scoreなら期待スコアと確率分布、という形です。
質問の種類はnoul、choice、score、locate。返ってくるのは質問名ごとの答えで、choiceなら確率の分布と最有力の選択肢、scoreなら期待スコアと確率分布、という形です。
室谷代表取締役ドキュメントの例がわかりやすくて、商品レビューをstateにして「欠陥の報告か」「感情はポジティブ・混在・ネガティブのどれか」「問題の深刻度は3段階のどれか」を1回のリクエストで聞いているんですよね。返ってきた確率をコード側で閾値と比べて分岐する。
テキトー教師DotAI 認定講師まさに「コードで分岐できる型付き回答」です。choiceのconfidenceは単純な最高確率ではなく、(p_top - 1/n) / (1 - 1/n)で計算される、という仕様も書かれています。
選択肢が3つなら、全部均等なら0、1つに全確率が集まれば1になる。
選択肢が3つなら、全部均等なら0、1つに全確率が集まれば1になる。
室谷代表取締役この confidence の定義を知らずに使うと誤解するやつですね。0.95という数字が「95%の確からしさ」とは限らない。
ドキュメントを読んでおくべきところです。
ドキュメントを読んでおくべきところです。
テキトー教師DotAI 認定講師locateの使いどころとしては、求人票から勤務地の都市名を抜き出す、必須スキルを抽出する、個人情報を特定する、といった場面です。フィールドの記述を短いラベルから詳しい指示まで変えて訓練しているので、固定のラベル集合を覚えるのではなく、リクエストに従うことを学ぶと書かれています。
室谷代表取締役実務ユースケースで言うと、問い合わせの緊急度判定と担当チームへのルーティング、出力の忠実性チェック、検索結果の再ランキングあたりはすぐ効きますよね。Perplexity自身も検索のリランキングを評価していて、embeddingモデルで上位50件を取ってからDeciderで再ランキングする、という構成を試しています。
テキトー教師DotAI 認定講師講座でも、まずは既存のLLMでラベルを答えさせてパースしている箇所を洗い出してごらん、と伝えています。そこが決定モデルに置き換えられる候補です。
いきなり全部置き換えるのではなく、判定タスクを切り出して確率で受ける。そのほうが設計も監視も楽になります。
いきなり全部置き換えるのではなく、判定タスクを切り出して確率で受ける。そのほうが設計も監視も楽になります。
室谷代表取締役あと、locateはアダプタをマージしていない関係で、決定リクエストとlocateリクエストで挙動が分かれる点は運用上知っておきたいですね。両方を同じパイプラインで使うなら、それぞれで検証しておく必要があります。
テキトー教師DotAI 認定講師決定モデルというカテゴリの広がりを知りたい方は、Perplexity Decider v1.1とは？OpenRouterで提供開始、半額・マルチモーダル化から読むと、マルチモーダル化や価格の変遷が追えます。評価指標の側はArtificial Analysis Intelligence Index v5とは？9評価・非公開6割の新指標を解説も合わせてどうぞ。
室谷代表取締役まとめると、Decider v1.3は27BでApache License 2.0、256Kコンテキスト、テキストと画像入力、入力100万トークン0.02ドル。決定モデルという地味だけど効くレイヤーが、オープンウェイトで誰でも試せる形になってきた、というのが今回のポイントなんですよね。
テキトー教師DotAI 認定講師そうですね。派手な生成AIのニュースに埋もれがちですが、業務システムにAIを組み込む人にとってはかなり実用的なアップデートです。
まずは小さな判定タスクから試してみるのがおすすめです。
まずは小さな判定タスクから試してみるのがおすすめです。
よくある質問
室谷代表取締役最後に、よく聞かれそうな点を整理しておきますね。
テキトー教師DotAI 認定講師まず「Decider v1.3とは何か」ですが、Perplexityが2026年11月12日に発表した決定モデルで、入力と選択肢付きの質問を渡すと、テキストを生成せず各選択肢の確率を返します。Yes/No、多肢選択、スコア、そして新機能のlocateに対応しています。
室谷代表取締役「パラメータ数やベースモデルは？」については、27BでベースはQwen3.8-27B、Flashが4BでQwen3.5-4B、Apache License 2.0のオープンウェイトです。
テキトー教師DotAI 認定講師「料金は？」は、Decisions APIで100万入力トークンあたりv1.3が0.02ドル、Flash v1.3が0.01ドル、出力無料。Webグラウンディングは1,000回あたり1ドル追加です。
室谷代表取締役「日本から使える？」は、APIキーがあれば利用でき、Hugging FaceやOpenRouterからも入手できます。日本固有の料金や制限については現時点では明らかにされていません。
テキトー教師DotAI 認定講師「v1.2やFlash v1.3との違いは？」は、v1.3がDecision Index v2.1で70点の6位、Flash v1.3が64点の10位でv1.2から4点向上。v1.3ではlocateが追加され、質問同士の干渉を抑える設計に変わっています。
室谷代表取締役「他モデルとの比較は？」については、公式ブログでJev 1.14との比較が示されていて、ドメイン別分類でv1.3が7領域すべて首位、金融で最大12.9ポイント、法律で9.3ポイント上回ったとされています。それ以外の個別モデルのスコアは今回のソースでは言及されていません。
テキトー教師DotAI 認定講師使い方としては、APIキーを設定してSDKを入れ、api.perplexity.ai/v1/decisionsにstateとquestionsをPOSTするだけ。まずは1つの判定タスクから試すのが現実的ですね。
