Perplexity: Decider V1.2 to model decyzyjny od Perplexity, wydany 2026-10-16. Respan: Span-01 to model decyzyjny od Respan, wydany 2026-09-26. Oba są zbudowane do tego samego szerokiego zadania: przyjęcia danych wejściowych i zwrócenia decyzji jako wyniku, a nie swobodnej prozy. Jeśli podłączasz klasyfikator, regułę routingu, krok triage'u lub dowolny komponent, który musi dokonać wyboru, oba modele należą do tej kategorii. Obaj dostawcy to różne firmy, więc szczegóły operacyjne dotyczące każdego modelu będą pochodzić z ich odpowiednich platform, ale sposób wywołania przez api14 jest taki sam.
Najwyraźniejsza różnica dotyczy tego, co każdy model przyjmuje jako dane wejściowe. Decider V1.2 przyjmuje tekst i obrazy, więc może spojrzeć na zrzut ekranu, zeskanowany formularz, wykres lub zdjęcie wraz z pisemną instrukcją i nadal wydać decyzję. Span-01 przyjmuje tylko tekst, co oznacza, że wszelkie dane wizualne muszą zostać przekonwertowane na tekst, zanim dotrą do modelu. Decider V1.2 podaje również długość kontekstu wynoszącą 262144 tokenów, co jest dużym oknem i przydaje się, gdy decyzja zależy od długiego dokumentu, dużego logu lub długiego wątku. Span-01 nie podaje długości kontekstu, więc traktuj jego użyteczne okno jako nieznane i przetestuj na własnych danych wejściowych, zanim zaczniesz na nim polegać w pracy z długim kontekstem. Oba zwracają decyzje i żaden nie podaje obsługiwanych parametrów, więc nie należy oczekiwać możliwości dostrajania próbkowania ani podobnych ustawień w którymkolwiek z nich.
Przy wyborze zadania czynnikiem decydującym jest zwykle modalność danych wejściowych. Jeśli Twój potok kiedykolwiek przetwarza obrazy, Decider V1.2 jest prostym wyborem, ponieważ obsługuje je natywnie i unikasz budowania osobnego kroku OCR lub przetwarzania wizyjnego. Jeśli Twoje dane wejściowe to długi tekst, a decyzja wymaga widoku całego dokumentu, podana długość kontekstu Decider V1.2 daje Ci więcej miejsca do pracy. Span-01 pozostaje rozsądnym wyborem do zadań decyzyjnych opartych wyłącznie na tekście, gdy dane wejściowe są krótkie lub już podsumowane oraz gdy chcesz mieć w zestawie drugiego dostawcę. Jeśli chodzi o cenę, oba są w przybliżeniu takie same dla danych wejściowych, więc koszt nie jest silnym powodem, by preferować jeden nad drugim po tej stronie. Cena danych wyjściowych nie jest tu podana, więc sprawdź aktualną tabelę cen, zanim zdecydujesz się na wolumen.
Wywołanie któregokolwiek modelu przez api14 działa tak samo, ponieważ API jest zgodne z OpenAI. Kierujesz klienta na bazowy URL api14, wysyłasz swoje zwykłe żądanie chat completions i zmieniasz tylko identyfikator modelu. Użyj "perplexity/pplx-decider-v1.2", gdy chcesz model Perplexity, oraz "respan/span-01", gdy chcesz model Respan. Wszystko inne w treści żądania pozostaje bez zmian, więc przełączanie między nimi na potrzeby testu A/B lub ścieżki awaryjnej to zmiana jednej linii. Jeśli masz już kod napisany pod OpenAI SDK, możesz go zachować i po prostu podmienić ciąg znaków.
Istnieje przypadek, w którym Span-01 jest nadal lepszym wyborem, mimo że Decider V1.2 obejmuje więcej typów danych wejściowych. Jeśli Twoje dane wejściowe to zwykły tekst, Twoje dokumenty są wystarczająco krótkie, że długość kontekstu nie jest ograniczeniem, a Ty konkretnie chcesz kierować ruch decyzyjny przez Respan, wtedy Span-01 wykonuje zadanie bez dodatkowej możliwości, której byś nie użył. Jest to również rozsądna opcja, gdy chcesz porównać dwóch dostawców na tym samym zadaniu i utrzymać prostą ścieżkę tekstową. W takich sytuacjach brak obsługi obrazów i niepodana długość kontekstu nic Cię nie kosztują, a otrzymujesz potrzebny wynik decyzyjny.