Perplexity 推出 Decisions API：文字與圖片進來，選項機率出去
Perplexity Decisions API 提供程式介面，搭配開放的 pplx-decider-v1-27b，可對文字與圖片做分類和固定評分。本文說明三種題型、官方費率與評測，以及自動化前應如何驗證門檻。
Perplexity 在台灣時間 2026 年 10 月 2 日公布 Decisions API（程式與服務溝通的介面），搭配開放權重的 pplx-decider-v1-27b 模型。它可以讀取文字與圖片，對預先定義的答案給出機率，讓程式接續分類、分流或評分。
這項產品把 Perplexity 從搜尋與生成回答，延伸到固定題型的決策流程。開發者可把這類判斷接入自己的應用程式。
三種題型，讓結果更容易使用
官方文件列出三種題型。Noul 回答是非問題的「是」機率，Choice 回傳每個選項的機率與最可能選項，Score 則對有順序的評分等級回傳機率與期望分數。
假設要整理商品評論，可以問是否有故障、整體態度偏正面或負面，以及問題有多嚴重。這是功能用途示例，本文沒有對真實評論執行分類。
開發者不必先讓模型寫一段回答，再從文字裡猜分類。程式可以直接讀取欄位，但仍要先把問題和選項定義清楚，才能知道數字代表什麼。
支援圖片，不只是文字分類
官方將 pplx-decider 定位為多模態決策模型。多模態指能處理不同類型的輸入，這裡包含文字與圖片。
例如，流程可以對一張截圖提出固定選項問題，而不是要求自由描述。官方模型頁也提供圖片輸入的程式範例。具體判斷品質仍要用符合用途的圖片測試，不能因支援圖片就認定所有畫面都能正確理解。
我會把圖片與文字的代表資料分開觀察。若兩者的錯誤類型不同，共用同一個自動化門檻未必適合。
它給分數，後續動作由程式決定
Decisions API 不產生解釋、客服回覆或程式碼。它提供可由軟體使用的數字，後續是否分派、標記或交給人工，由應用程式決定。
這讓分類和執行之間有清楚的界線。例如，模型認為某項要求屬於退款類型，不代表它有權直接退款，也不代表個案符合公司的處理條件。
我認為這類模型適合先放在整理與分流階段。可以比較它和人工標籤的差異，再決定哪些高信心結果可自動處理，哪些仍要人確認。
官方價格要對照日期與輸入量
截至 2026 年 10 月 3 日查閱，官方文件列出的費率是每百萬輸入 token 0.04 美元，輸出 token 不收費。Token 是模型處理內容的小單位，不等於固定數量的中文字。
這是 API 費率，不是整個應用程式零成本。使用量、資料長度與其他服務仍會影響總支出。官方也表示計畫降低價格，但未來調整不應先當成已生效。
開發者可以先以少量代表資料估算輸入量，並看官方當下文件，再安排用量。本文沒有執行付費請求。
85.71% 評測，不能當每次都準的保證
官方模型卡公布 11 項評測的整體分數，pplx-decider 約 85.71%，比較對象 Jev 約 84.51%，基礎 Qwen3.8-27B 約 74.76%。pplx-decider 的結果透過 Perplexity API 測得。
整體分數不能表示每個任務都領先。表中也有其他模型得分較高的項目，且評測來自發布方，不能寫成獨立驗證所有情境的品質。
新資料的機率是否可靠也要另外測試。模型說 90% 有把握，不代表單筆結果已經確認正確；應觀察相近信心的資料，實際有多少答對。
開放權重提供另一條路，但有硬體門檻
官方提供 Apache-2.0 權重，也就是可下載部署的核心參數。自行運行的模型卡要求 Python 3.12 以上與 CUDA GPU，模型數值本身約需 49 GiB，另需工作記憶體。
對沒有大型設備的開發者，API 是另一種取得方式。自行部署則需要管理設備和環境，不能只因權重開放就認定一般筆電可以使用。
常見問題
它和 Perplexity 搜尋回答一樣嗎？
不同。Decisions API 專注固定題型的選項機率，不生成搜尋報告或解釋文字。
可以對圖片提問嗎？
官方支援圖片輸入，可按指定題型取得機率。實際用途仍需用自己的資料驗證。
可以把機率直接當成自動執行許可嗎？
機率只提供判斷訊號。操作權限、業務規則與低信心處理，需要由應用程式另外設計。
結語：讓分類輸出接得上程式
Perplexity Decisions API 把文字與圖片的固定判斷，轉成可由程式直接使用的機率。開放模型與 API 同時提供，也讓開發者有不同部署方式。
我會先從一項明確分類任務開始，用人工標籤衡量錯誤與信心，再安排後續流程。價格低與輸出固定可以降低整合門檻，品質仍需實際資料來驗證。
