ENPT

basal (2.0 + omni)

Última atualização:

Aberto102–102ms$0/M input

Notas do quadrante

Ver o quadrante completo

Pontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.

  • Maturidade6.1/10

    Pesos Apache-2.0 de 0,8B a 31B com portes FP8, GGUF e MLX; repo do engine (rkinas/basal, 152 estrelas) com servidor /v1/systemone, cliente Python, ferramenta MCP e arquivos de calibração por modelo; site de docs e relatório técnico. Um autor, sem API hospedada, sem SLA.

  • Capability8.1/10

    JevBench oficial (17/10): Intelligence 74,1, calibração 91,0, p50 0,102 s. Choice, Noul, Score mais multi, act e tool.

  • Adoção14/100

    152 estrelas no GitHub, ~7 mil downloads próprios no HF nas linhas 1.0 / 1.5 / 2.0 (os repos 2.0 com 290-357 cada em cinco dias), ~30 likes, portes GGUF / MLX / FP8 e listagem num runtime de terceiros (Deqio). Página do site para usuários, sem caso de produção nomeado verificado.

Vendor claims

publicado (OK do Fabricio 17/10 BRT). Auditoria dos placares de 17/10/2026: veja a seção “Auditoria dos placares” abaixo; onde ela conflita com afirmações antigas de placar nesta página, ela vale.

publicado (OK do Fabricio 17/10 BRT).

Leia primeiro.

  1. Só um modelo tem evidência independente. O número independente é do basal-omni-1.0-ultra (31B, Gemma-4-31B-it): o Benchmark Heaven o adicionou ao JevBench em 17/10 (release v1.6.28) e ele lidera o ranking de Capability de pesos abertos entre sistemas Jev-class com 82,5. Os modelos basal-2.0 (1,5B / 4,5B / 11B) não estão no JevBench, no board do Decision Index 0.3 nem na Artificial Analysis (não achamos linha).
  2. O Werdykt é benchmark do próprio projeto. O site diz isso (“autorski benchmark projektu basal”) e que os modelos comparados foram pré-selecionados do topo do ranking do JevBench. Trate todo número do Werdykt como rodado pelo fornecedor.
  3. O basal-omni é experimental. Foi treinado só em decisões de texto; imagens e áudio (áudio só nos tamanhos omni menores) são lidos em zero-shot.

O basal (de gânglios da base, em polonês) é uma família de modelos de decisão tipada e um motor de inferência de Remek Kinas. O modelo lê um estado e devolve uma probabilidade calibrada para cada resposta permitida numa só passada, sem texto. Mira polonês e inglês, e as classes são descritas no request em vez de treinadas. Catalogamos a família como uma entrada; ela estava no radar como item de observação desde 3/10/2026 (basal 1.0 / 1.5).

A família

Linha Modelos Base Notas
basal-2.0 (12/10) mini 1,5B (contexto de 8.192 tokens), 4,5B, max 11B Bielik (polonês) v3 portes -FP8, -GGUF, -MLX-8bit por tamanho
basal-omni-1.0 (10-17/10) mini 4B, max 12B, 1.1-max 12B, ultra 31B Gemma 4 (E4B / 12B / 31B) experimental; ultra com até 255 opções, texto e imagens; mini/max acrescentam áudio
Engine rkinas/basal (v2.0.0 nos cards, o README diz 2.1) Apache-2.0, 152 estrelas; o basal-serve expõe POST /v1/systemone

Tipos de pergunta: choice, noul, score, e no engine multi, act (com custos e um max_error que adia casos incertos) e tool (escolhe entre definições de ferramenta OpenAI/MCP). Idiomas: polonês e inglês.

JevBench (independente): basal-omni-1.0-ultra

Board de pesos abertos do JevBench no Benchmark Heaven (v1.7.46, 17/10/2026; o modelo entrou na release v1.6.28, no mesmo dia):

Métrica basal-omni-1.0-ultra
Capability Score 82,5 (#1 entre os Jev-class; Quyet-1.0-Large 81,7, Jeff-1.0-Large 81,5)
Intelligence 74,1
Calibration 91,0
Custo US$ 0,045 por 1.000 decisões (1,38× a referência Jev v1.5)
Latência mediana 0,102 s medida na GPU (estimativa do board com rede: 0,35 s)

As notas da release dizem que ficou em 4º de 45 no composite e 4º em Capability naquele draw. O board lista a base como não divulgada na linha do modelo, enquanto o card do HF diz Gemma-4-31B-it; usamos o card. O corte “Jev-class” do board é de no máximo 2× o custo e a latência mediana do Jev.

Números do fornecedor

  • Werdykt v1 (5.000 itens ocultos, board próprio, 102 sistemas listados): basal-2.0-max 0,784, em 31º de 94 quando o card foi escrito; omni-1.0-max 0,823; omni-1.0-ultra 0,879. Calibração própria: ECE 0,044 (2.0-max); com meta de 5% de erro, 65,6% dos itens automatizados com 4,51% de erro observado.
  • Decision Index 0.2.1: basal-2.0-max 44,07 (rodada própria, 0 de 150.317 sem resposta). Não há entrada no board 0.3 para nenhum modelo basal.
  • Velocidade: c1 p50 de 37 ms, 16,2 decisões/s com 16 clientes numa H100 (basal-2.0-max, passada própria).
  • Os limites do próprio card: o basal-2.0 fica abaixo do basal-1.5 num painel público de 10 tarefas em inglês (−1,8 a −3,6 pontos) e automatiza menos decisões na meta de 1%; max_error: 0.01 adia quase tudo com os arquivos de calibração entregues; act, tool e multi são experimentais.

Quando usar / quando evitar

Serve para: roteamento, checagem de políticas e triagem em polonês (e inglês), com limiar de confiança que adia para uma pessoa, numa só GPU, com pesos Apache-2.0 e arquivo de calibração auditável.

Evite quando: precisar de API hospedada ou SLA, de multilinguismo além de polonês e inglês, ou usar o Werdykt como prova (é do próprio projeto).

Limites

  • Um autor; o README do engine e os cards dos modelos às vezes trazem rótulos de versão diferentes (2.0.0 e 2.1).
  • O basal-omni é experimental e roda em modo eager (o porte FP8 do ultra é só texto).
  • A linha do JevBench existe só para o modelo ultra; os menores não têm resultado independente.

Pesos Apache-2.0 públicos, API tipada documentada no formato System One com calibração por modelo, repo de engine ativo e, agora, um resultado independente de topo em Capability no board de pesos abertos do JevBench.

Conta das notas (17/10/2026)

  • Maturidade = disp. 8 × 0,30 + docs 9 × 0,25 + integr. 4 × 0,25 + suporte 2 × 0,20 = 2,40 + 2,25 + 1,00 + 0,40 = 6,05 → 6,1
  • Capability = tipos 10 × 0,30 + calib. 7 × 0,25 + latência 7 × 0,25 + acurácia 8 × 0,20 = 3,00 + 1,75 + 1,75 + 1,60 = 8,10 → 8,1
  • Adoção = engajamento 25 × 0,35 + ecossistema 12 × 0,35 + produção 2 × 0,30 = 8,75 + 4,20 + 0,60 = 13,55 → 14

Disponibilidade 8: pesos Apache-2.0 com portes FP8 / GGUF / MLX e repo de engine; sem API hospedada. Docs 9: README com referência de API, instalação, hardware e formatos, relatório técnico com DOI e limites honestos em cada card. Integrações 4: /v1/systemone, portes Ollama / llama.cpp / MLX, modo vLLM, ferramenta MCP e cliente Python. Suporte 2: um autor com site do projeto.

Tipos 10: choice, noul, score mais multi, act e tool. Calibração 7: arquivos de calibração entregues, método e ECE declarados, Calibration 91,0 no board, mas o ECE é do próprio projeto (precedente: H2O-Lightning, Quyet). Latência 7: p50 de 0,102 s medido pelo board para o ultra, sem p99. Acurácia 8: resultado independente no JevBench para o modelo ultra; a linha 2.0 não tem, então a entrada é pontuada pelo melhor membro verificado.

Engajamento 25: 152 estrelas, ~7 mil downloads próprios entre as linhas, ~30 likes. Ecossistema 12: portes em quatro formatos e um runtime de terceiros que suporta o basal. Produção 2: existe uma página “quem usa o basal”, mas nenhum caso nomeado foi verificado.

Auditoria dos placares (17/10/2026)

publicado (OK do Fabricio 17/10 BRT). Conferido nos placares oficiais em 17/10/2026: Decision Index 0.3.2 (dados de 16/10, 19:00 UTC), JevBench e ImageJevBench ao vivo. Os placares são fontes separadas e nunca são combinados. Afirmações e posições antigas de placar mais abaixo nesta página ficam superadas quando conflitam com esta seção.

Placar Linha Resultado
JevBench pesos abertos (ao vivo 17/10) basal-omni-1.0-ultra Capability 82,5; Intelligence 74,1; calibração 91,0; p50 0,102 s; US$ 0,045/1k
ImageJevBench v0.3.0 basal-omni-1.0-ultra Capability 60,6; Intelligence 51,5; calibração 69,6; p50 0,63 s; US$ 0,085/1k

Afirmações de status de placar nesta página para reconferir com a tabela (podem estar superadas):

  • “Os modelos basal-2.0 (1,5B / 4,5B / 11B) não estão no JevBench, no board do Decision Index 0.3 nem na Artificial Analysis (não achamos linha).”
  • “Decision Index 0.2.1: basal-2.0-max 44,07 (rodada própria, 0 de 150.317 sem resposta).”
  • “Não há entrada no board 0.3 para nenhum modelo basal.”
  • “Pesos Apache-2.0 públicos, API tipada documentada no formato System One com calibração por modelo, repo de engine ativo e, agora, um resultado indepen…”

Atualização da nota (auditoria, 17/10/2026). Capability 8,1 → 8,1 (inalterada) = tipos × 0,30 + calibração × 0,25 + latência × 0,25 + acurácia × 0,20 = 10 × 0,30 + 7 × 0,25 + 7 × 0,25 + 8 × 0,20 = 8,10 → 8,1. Tipos, calibração e latência vêm da conta anterior (10 / 7 / 7); só a acurácia é refeita pelo placar (8; era 8): JevBench Intelligence 74,1 ÷ 63,6 × 8 = 9,3, arredondado para cima, limitado a 8. Maturidade e adoção inalteradas.

Hugging Face em 17/10 (Remek/basal-2.0-max): 290 downloads, 5 likes, tag de licença apache-2.0, última modificação 2026-10-14.