ENPT

Celeris-1 Decision

Última atualização:

Beta63–430ms$0.04/M input

Notas do quadrante

Ver o quadrante completo

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

  • Maturidade5.2/10

    API hospedada paga com site de docs (guia de decisões, erros, limites, checklist de produção, llms.txt), CLI, console e página de status. Requisição systemone estilo Jev e rotas compatíveis com OpenAI. Lista de espera de ativação, pesos fechados, SLA só no Enterprise.

  • Capability7.2/10

    Sim/não, choice e score em texto, dados estruturados e imagem, com explicação opcional de uma frase. AA Decision Index v1.0: 52,3 (8º de 13), o mais rápido com 63 ms. JevBench API: composite 62,0 (17º), eixo de calibração 88. Sem ECE nem método; a AA aponta excesso de confiança.

  • Adoção6/100

    Listado na Artificial Analysis e no JevBench, blog de lançamento (8/10) e compatibilidade com o SDK do Jev. Sem listagem no OpenRouter ou na Vercel, sem dado de tração social coletado, sem usuários em produção nomeados.

Vendor claims

publicado (OK do Fabricio 17/10 BRT).

Leia primeiro. O destaque da Celeris, “80,0% no jev-bench”, não é o JevBench do Benchmark Heaven. É um dataset comunitário (Praveenrajus/jev-bench, 22 configs, 3.210 itens) pontuado no harness da própria Celeris, ou seja, número do vendor (UnverifiedClaim). Nos dois placares independentes o Celeris-1 Decision fica abaixo do Jev 1.13, e ele lidera numa coisa: velocidade na Artificial Analysis.

O Celeris-1 Decision é o modelo de decisão da Celeris, empresa que serve o celeris-1, um modelo de linguagem de difusão ajustado para respostas curtas e estruturadas. O produto de decisão recebe texto, dados estruturados ou imagens, responde perguntas sim/não, choice e score com uma probabilidade para cada resposta e pode devolver uma explicação de uma frase sob demanda. É só API hospedada: sem pesos abertos, sem fine-tuning nesta versão. Estava em watch desde 10/10; agora dois placares independentes o cobrem.

Specs

Atributo Valor
Empresa Celeris
Lançamento 8/10/2026 (blog de lançamento com a mesma data)
Modelo celeris-1-decision, modelo de linguagem de difusão; base e tamanho não divulgados
Pesos Fechados. “Não há pesos abertos nem fine-tuning nesta versão”
Tipos de pergunta sim/não (noul), choice, score; texto, dados estruturados e imagem no state; explicação opcional via "x_celeris": {"explain": true}
Contrato “O formato de requisição segue a convenção systemone”: clientes escritos para outros endpoints de decisão podem apontar para a base URL da Celeris; as docs listam cURL, o SDK da OpenAI e o SDK do Jev
Contexto 131.072 tokens (docs.celeris.ai/models, relido em 17/10; “a fixed part is reserved for the answers, so the input limit is slightly lower”)
Preço US$ 0,04 por milhão de tokens de entrada, saída grátis (explicações incluídas)
Suporte Suporte por e-mail; plano Enterprise (SSO, SOC 2, VPC, SLA) por contato com vendas
Acesso Console com lista de espera de ativação
Docs docs.celeris.ai (guia de Decisions em /decisions)

Placares independentes

Artificial Analysis Decision Index v1.0 (lido na página da AA, 17/10). O Celeris-1 Decision faz 52,3, 8º de 13 modelos. O d1-ultra lidera com 65,2, depois Jev 1.13 (57,5), Jev 1.14 (57,1), GLiDE (53,9), Microsoft-Decision-1 (53,8), Decider v1.1 27B (53,1) e Mercury Decide (52,7).

Métrica da AA Celeris-1 Decision Referência
Índice 52,3 Jev 1.13: 57,5
Acurácia no AA-Omniscience 37,8 d1: 41
Taxa de não alucinação no AA-Omniscience 0,0 Jev 1.13: 35,2
HLE-MultiChoice 13,3 Jev 1.13: 20,9
When2Call 83,7 (2º empatado com o GLiDE) d1-ultra 92,6
WildGuardTest 93,3 GLiDE 95,1
Tempo por tarefa 63 ms (o mais rápido) Jev 1.14 78 ms, d1-ultra 92 ms
Custo por 1M de tarefas US$ 31,57 Jev US$ 41,53

Taxa de não alucinação 0 significa que ele nunca se absteve no teste de conhecimento, o oposto do comportamento do d1-ultra.

JevBench, placar de API hospedada (Benchmark Heaven, board v1.7.46, conferido em 17/10): composite 62,0, 17º de 40; Intelligence 59, Calibration 88, Speed 87, Cost 48; Capability 73,6 (10º por capability entre os Jev-class); US$ 0,0525 por 1.000 decisões (estimativa a partir do preço de tabela de US$ 0,04/M, saída grátis); p50 de 0,43 s ponta a ponta. É mais lento que os 63 ms da AA: o placar mede do próprio host, a AA do dela, e o número do placar inclui a rede.

Os dois placares são separados e não se misturam entre si nem com o Decision Index 0.3.

O que a Celeris afirma (UnverifiedClaim)

  • 80,0% de acurácia, Brier 0,272 no “full jev-bench” contra 73,1% / 0,380 do Jev 1.13.0, num dataset e num harness escolhidos pela Celeris. Nenhum dos placares independentes reproduz uma vantagem sobre o Jev: composite do JevBench 62,0 vs 71,5, AA 52,3 vs 57,5. A página diz que “o Jev ainda lidera em conhecimento e raciocínio”.
  • 67 ms de mediana de us-east-1, “60% mais rápido que o Jev”. Os 63 ms independentes da AA (contra 127 ms do Jev 1.13) são coerentes com uma grande vantagem de velocidade; os 0,43 s do placar do JevBench não são. Reporte os dois.
  • Brier 0,079 em typed decisions (conjunto comunitário de rótulos suaves). Sem ECE nem método de calibração para uso em produção.

Fit / anti-fit

Serve quando você precisa de: a menor latência por tarefa no placar da AA, sim/não, choice e score em texto e imagem, uma explicação de uma frase junto de cada decisão e um endpoint para onde um cliente Jev possa apontar.

Não serve quando você precisa de: a melhor acurácia (Jev, d1-ultra, Sage e kettei pontuam mais nos placares independentes), abstenção em perguntas que ele não sabe (não alucinação 0), pesos abertos ou fine-tuning, ou SLA em self-serve.

Limites

  • Pesos fechados; base, tamanho e dados de treino não divulgados. Sem ECE publicado.
  • A AA considera todos os modelos de decisão confiantes demais no geral, sobretudo nas tarefas de conhecimento e raciocínio.
  • O contexto de 131.072 tokens (docs.celeris.ai/models) e a rota compatível com o Jev POST /v1/systemone (docs.celeris.ai/decisions) foram relidos em 17/10; os números da página de lançamento são de 10/10. A API não foi chamada para esta página.

Modelo de decisão dedicado com API tipada que devolve probabilidade por opção, preço e docs públicos e resultados independentes em dois placares. Sai da linha de watch de 10/10 para uma ficha completa agora que há números independentes.

Conta das notas (17/10/2026)

  • Maturidade = disponibilidade 6 × 0,30 + docs 7 × 0,25 + integrações 4 × 0,25 + suporte 3 × 0,20 = 1,80 + 1,75 + 1,00 + 0,60 = 5,15 → 5,2
  • Capability = tipos 9 × 0,30 + calibração 5 × 0,25 + latência 8 × 0,25 + acurácia 6 × 0,20 = 2,70 + 1,25 + 2,00 + 1,20 = 7,15 → 7,2
  • Adoção = engajamento 5 × 0,35 + ecossistema 12 × 0,35 + produção 0 × 0,30 = 1,75 + 4,20 + 0,00 = 5,95 → 6

Disponibilidade 6: API paga hospedada com lista de espera de ativação (como o d1-ultra). Docs 7: site de docs completo, com guia de decisões, erros, limites e checklist de produção. Integrações 4: requisição systemone estilo Jev (3) mais a CLI e rotas estilo OpenAI. Suporte 3: suporte por e-mail, SLA só por vendas.

Tipos 9: três tipos, imagens e explicações, limites de opções não conferidos. Calibração 5: cifras de Brier do harness do vendor e um eixo de calibração independente de 88 (abaixo dos 91 do Jev), sem ECE nem método. Latência 8: os 63 ms independentes da AA, sem p99, moderados pelos 0,43 s do placar. Acurácia 6: há evidência independente, mas mediana (AA 8º de 13, JevBench 17º de 40) e a vantagem do vendor sobre o Jev não se reproduz; abaixo do 8 dado a placares em que o modelo lidera.