PPLX Decider v1.3

参数

27B

上下文长度

262K

模态

Text

架构

Dense

KV 缓存速率

256 KB/tok

许可证

Apache 2.0

发布日期

9 Nov 2026

训练数据截止日期

-

API 价格 (每 1M)

仅支持自建托管

硬件与系统要求

精度

Native

上下文

工作负载显存: 17.07 GB

INT4 · 8K context

基础权重: 12.57 GB

KV 缓存: 2.00 GB

运行时与计算图: 2.50 GB

最小所需硬件

1x NVIDIA L4 24GB

17.1 / 21.6 GB usable

2x RTX 4090 24GB

17.1 / 43.2 GB usable · TP 2

Apple M4 24GB

17.1 / 18.0 GB usable

确定特定工作负载的硬件需求:

在显存计算器中打开

运行时要求

权重格式

FP16

CUDA

>= 11.8

PyTorch

>= 2.1

Transformers

>= 5.17.0

微架构精度注意力算子

Blackwell, Hopper

原生 FP16

FlashAttention-3

Ada Lovelace, Ampere

原生 FP16

FlashAttention-2

架构图

Input TokensToken EmbeddingPosition: RoPEHidden: 5.1k · Context: 262K · Vocab: 248.3kx 64 layersRMSNormPre-AttentionGrouped-Query Attention24Q / 4KV headsHead dim: 256+RMSNormPre-FFNFeed-Forward NetworkSwiGLUIntermediate: 17.4k+Final RMSNormOutput Logits

评估基准

没有可用的 PPLX Decider v1.3 评估基准。

排名

排名

-

编程排名

-

关于 PPLX Decider v1.3

PPLX Decider v1.3 is an updated specialized routing and decision-making model developed by Perplexity for search orchestration and query planning. It enhances classification accuracy and response latency across complex retrieval pipelines.

Specifications

注意力

注意力结构

Grouped-Query Attention

注意力头

24

键值头

4

注意力头维度

256

位置嵌入

ROPE

RoPE Theta

10,000,000

线性注意力

Yes

线性注意力比例

75.0%

归一化

RMS Normalization

激活函数

SwigLU

维度

基准精度

FP16

隐藏维度大小

5,120

层数

64

FFN 中间层大小(稠密层)

17,408

多 Token 预测头数

1

分词器

词汇量大小

248,320

关于 PPLX Decider

The pplx-decider model family developed by Perplexity.


其他 PPLX Decider 模型