Perplexity Decider v1.2 a été, le 17 octobre 2026, la publication la plus facile à manquer : Perplexity a mis à jour la fiche de ce modèle de décision sur Hugging Face, Vercel a inscrit au même moment Decider V1.2 27B et Decider Flash V1.2 4B sur AI Gateway, et le PDG de Perplexity, Aravind Srinivas, a écrit le même jour que la version Flash peut tourner sur l'appareil même, sur un Mac M4 doté de 16 Go de mémoire. Ce modèle prend une route opposée à celle des chatbots : il n'écrit pas de réponses et ne génère pas de code. Il répond uniquement à des questions de jugement pré-formulées, avec des probabilités.
Il ne renvoie que trois types de réponses, toutes probabilisées
Un modèle de décision reçoit d'abord un matériau (appelé state dans la fiche : texte, données structurées ou images), puis une ou plusieurs questions typées. Les questions booléennes renvoient la probabilité du oui, entre 0 et 1. Les questions à choix attribuent une probabilité à chaque option proposée et désignent la plus probable. Les questions de notation évaluent selon une échelle ordonnée définie par l'utilisateur, niveau par niveau. L'application décide ensuite avec ces chiffres : quelle équipe reçoit un ticket, si une photo de produit montre un dommage, si un cas incertain part en relecture humaine. Comme rien n'est généré mot à mot, ces modèles changent l'équation pour la classification, l'aiguillage et l'étiquetage à grand volume.
Ce que change v1.2 : les questions liées se posent en une seule requête
Cette version est un affinage de Qwen3.8-27B et accepte des images jusqu'à environ 1,6 mégapixel en entrée. La nouveauté : placer un matériau et plusieurs questions dans une même requête, chaque question avec son propre marqueur de lecture, pour que les questions liées partagent le contexte pour un coût de calcul voisin d'une seule question. Sur le Decision Index 0.3 de Perplexity, la configuration groupée obtient 68,09 au total, contre 62,30 pour la v1.1 ; l'indice de décision visuelle passe de 73,22 à 77,43. Deux réserves s'imposent : Perplexity entretient et exécute elle-même ce banc d'essai, et les données d'entraînement de cette version incluent désormais les partitions d'entraînement officielles de plusieurs de ses bancs. Quelle part du gain tient à un meilleur jugement, quelle part à la familiarité avec l'examen, seuls des tests tiers le diront. Perplexity prévient elle-même que noter des candidats indépendants doit se faire en requêtes séparées, car groupés, ils s'influencent.
La version Flash veut déplacer le jugement sur l'appareil
La petite sœur Flash compte 4 milliards de paramètres et vise l'étiquetage, le filtrage et l'aiguillage à haut débit. La fiche de Vercel réserve elle aussi le modèle 27B aux jugements nuancés et aux échelles détaillées, et Flash aux tâches massives à critères clairs. Si l'affirmation de Srinivas sur l'exécution locale se confirme, une partie de la classification et du premier tri pourrait cesser d'envoyer le matériau dans le cloud — une option réelle pour les usages sensibles et volumineux. Pour l'instant, c'est une déclaration publique du dirigeant, sans chiffres publiés de vitesse ni de précision sur appareil ; il serait prématuré de bâtir une architecture dessus.
Héberger soi-même la version 27B a aussi un seuil à calculer : les poids en BF16 demandent environ 52 Gio de mémoire GPU, plus la mémoire de travail, avec Python 3.12 ou plus et un GPU CUDA. Ce n'est pas un petit composant à glisser dans un service existant. La lecture la plus solide est ailleurs : quelques semaines après l'apparition de Jev, la filière des modèles de décision compte déjà Perplexity, Cloudflare, OpenAI et d'autres. L'intérêt de la v1.2 n'est pas le score en soi, mais le fait que le jugement devient une étape séparée, bon marché et potentiellement locale — et quiconque traite des questions oui-non en masse a intérêt à commencer ses tests.
