Perplexity veröffentlicht Open-Weight-Modelle Decider v1.3 mit einer Aufgabe zum Lokalisieren von Textstellen
Decider v1.3 von Perplexity bringt eine Locate-Aufgabe, die Span-Offsets liefert. Laut Unternehmen schlägt das Modell die eigenen Klassifikatoren im Produktivbetrieb um 6,54 Punkte.
Perplexity hat Version 1.3 seiner Decider-Modelle veröffentlicht, Open-Weight-Modelle für Entscheidungs- und Extraktionsaufgaben. Neu ist die Aufgabe „locate“, die Span-Offsets zurückgibt, also Start- und Endposition eines gefundenen Textabschnitts in der Eingabe. Laut Unternehmen deckt sie Named Entity Recognition ab, die Namen von Personen, Orten und Organisationen erkennt, außerdem PII-Erkennung, die personenbezogene Daten markiert, sowie extraktives Question Answering, bei dem die Antwort direkt aus einer Textpassage übernommen wird. Ein Label allein verrät Entwicklern nur, was gefunden wurde. Offsets zeigen zusätzlich, wo es im Ausgangstext steht.
Aravind Srinivas, der die Veröffentlichung angekündigt hat, gibt an, das Modell sei über 63 Aufgaben hinweg um 6,54 Punkte genauer als die Klassifikatoren, die Perplexity im Produktivbetrieb einsetzt. Diese Genauigkeitsangabe stammt vom Unternehmen selbst und wurde an den eigenen Produktiv-Klassifikatoren gemessen. Laut demselben Beitrag sind die Modelle eine Woche lang kostenlos auf OpenRouter verfügbar.
Was sich ändert
Art: Neue Funktion · Betrifft: Decider v1.3
Warum es wichtig ist
Teams, die Extraktion oder PII-Schwärzung betreiben, könnten ein kostenloses Modell, das auf Span-Ebene arbeitet, gegen ihre aktuellen Klassifikatoren testen.
Was Sie tun können
Lassen Sie während der kostenlosen Woche auf OpenRouter Ihr eigenes Evaluierungsset für PII und Extraktion gegen das Modell laufen.
Originalquelle
Für diese Meldung haben wir noch keinen Link zur Originalquelle.
Wo wir es gesehen haben
Latent Space
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es