Um guia de campo para IA de decisão
Nem toda tarefa de IA precisa de um parágrafo. Explore modelos que retornam decisões tipadas, e os runtimes e harnesses que os trazem para o seu software.
Pesos treinados para decisões tipadas.
Técnicas de inferência sobre pesos existentes.
Saída estruturada, não uma conversa
Modelos de decisão são modelos de IA treinados para retornar decisões estruturadas—como uma opção selecionada, um score ou um booleano—em vez de prosa livre. Frequentemente chamados de modelos System One, eles podem classificar, rotear e pontuar inputs dentro de um fluxo de software maior.
Saída tipada restringe o formato da resposta. Não garante uma decisão correta, confiança calibrada ou melhor performance na sua tarefa.
Entender System One01 / Os modelos
Um modelo de decisão hospedado para software que precisa de resposta tipada. Explore sua interface, capacidades reportadas e limitações antes de integrar.
Explore abordagens hospedadas e open. Compare o modelo, requisitos de acesso e evidência—não apenas o benchmark de destaque.
02 / Além dos pesos
Há mais de um jeito de obter uma decisão tipada. Runtimes adicionam técnicas de inferência a modelos existentes. Wrappers facilitam o uso de APIs de modelo. Especialistas resolvem tarefas mais restritas.
Explorar runtimes e ferramentasAntes chamado "(NÃO)Modelos". Esta coleção separa ferramentas de apoio e abordagens especialistas do catálogo geral de modelos de decisão.
Runtime browser-first que extrai decisões tipadas de LLMs open congelados via WebGPU/wllama.
Runtime baseado em SGLang para geração type-safe em LLMs autoregressivos, com modo thinking e input de imagem. Open source e, desde 29/09/2026, também playground e API hospedados.
Runtime baseado em SGLang que fornece endpoint /v1/systemone TypeSafe-compatível sobre Qwen3.6-35B-A3B.
Wrapper HTTP/CLI/MCP sobre Jev hospedado com escalação inteligente para LLMs de raciocínio em casos incertos.
03 / Conheça a diferença
Um modelo, um runtime e um wrapper resolvem partes diferentes do problema. Comece pelo que você precisa controlar.
| Compare | Modelo de decisãoOs pesos treinados | RuntimeA camada de inferência | WrapperA camada de integração |
|---|---|---|---|
| O que adiciona | ModeloPesos treinados para tarefas de decisão. | RuntimeExtração de decisão ou decodificação restrita sobre um modelo base. | WrapperUma interface ou fluxo sobre uma API de modelo existente. |
| Considere quando | ModeloVocê quer avaliar um sistema de decisão treinado para o propósito. | RuntimeVocê quer controle sobre o modelo base e como ele roda. | WrapperVocê precisa de integração ou orquestração mais simples. |
| Verifique primeiro | ModeloAcurácia na tarefa, acesso, método de avaliação e evidência de calibração. | RuntimeHardware, tipos suportados e interpretação de probabilidade. | WrapperDependências upstream, tratamento de dados e comportamento de fallback. |
| Explore um exemplo | ModeloJev | RuntimeSemIf | Wrapperclassifier.dev |
Métodos e especialistas de domínio também aparecem na coleção de runtimes. O escopo deles pode diferir destas três categorias; leia a justificativa de inclusão de cada entrada.
Explorar o quadrante de modelosO quadrante de avaliação
Veja como os modelos de decisão se comparam em maturidade e capability. O quadrante visualiza nossa rubrica de avaliação—o tamanho da bolha reflete sinais de adoção.
Abrir o quadrante interativo04 / Do entendimento à implementação
Entenda os trade-offs antes de escolher um modelo para classificação, roteamento ou scoring.
Leia o guia de seleçãoFaça sua primeira chamadaSaia do conceito para integração via API com uma introdução prática.
Abrir o guia de inícioProjete o fluxoCombine uma camada de decisão com um modelo generativo em arquitetura dual-process.
Explorar a stack dual-processUm pouco mais de contexto
As distinções que importam ao avaliar modelos de decisão e suas ferramentas.
Um modelo de decisão é treinado para retornar respostas estruturadas para tarefas de decisão. Um modelo de chat gera texto primariamente, embora ferramentas possam restringir essa saída ou derivar decisões dela. Um formato JSON compartilhado não torna o treino ou a confiabilidade equivalentes. Leia a introdução ao System One.
Não por si só. Um runtime controla inferência: pode restringir decodificação ou ler scores de um modelo existente sem treinar novos pesos de decisão. A coleção mais ampla de runtimes também inclui wrappers e especialistas, então cada entrada explica por que está listada ali. Explore a coleção.
Não. Uma probabilidade ou score não é automaticamente uma estimativa confiável de correção. Calibração deve ser avaliada em dataset relevante e pode mudar entre tarefas. Busque evidência sobre calibração, thresholds e casos de falha em vez de confiar apenas no formato da saída.
Avalie um modelo de decisão quando precisar de capacidades treinadas para o propósito. Explore um runtime quando escolha do modelo base e controle de execução importarem. Considere um wrapper quando integração e orquestração forem a preocupação principal. Em todo caso, teste inputs representativos, restrições e caminhos de falha. Compare as abordagens.
Frequentemente servem papéis diferentes. Uma camada de decisão pode classificar um input ou selecionar uma rota, enquanto um modelo generativo produz texto quando o fluxo requer. Isso pode ser combinado em sistema dual-process, mas qualquer benefício de custo ou latência depende da carga de trabalho real. Aprenda sobre arquitetura dual-process.
Um catálogo, com contexto.
Avalie a evidência, não apenas o rótulo. Descrições de produto aqui resumem as entradas linkadas do catálogo; não são resultados de benchmark independentes. Siga cada perfil para fontes, capacidades reportadas e limitações.
Tem uma correção? Contribuir para o catálogo.
