Clef-text-0.6B
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade6/10
Pesos abertos em PyTorch e Core ML, model card detalhado e runtime Swift no FluidUse. Sem API hospedada ou SLA. Nota reflete acesso local e um runtime integrado.
- Capability7/10
Choice, score e boolean numa passagem. O autor relata 79,1% em 12 conjuntos de teste e ECE 0,046; sem reprodução independente. Latência é média de uma demo, não p50/p99.
- Adoção2/100
Na primeira checagem: 2 likes e zero downloads no HF; o post teve 75 likes e cerca de 2,8 mil views. As 301 estrelas do FluidUse são do projeto todo, não específicas do modelo. Sem caso externo em produção.
Vendor claims
- 79,1% de acurácia gold em 12 conjuntos de teste (5.124 perguntas), contra 88,2% do professor Clef-flash[Claim do fornecedor — não verificado independentemente]
- M5 Pro: cerca de 48 ms por ticket de suporte com três perguntas na GPU e 77 ms na Neural Engine[Claim do fornecedor — não verificado independentemente]
- A versão Core ML mudou 15 de 5.118 respostas; o autor atribui os casos a quase-empates[Claim do fornecedor — não verificado independentemente]
Notícias sobre este modelo
Clef-text-0.6B é um modelo aberto de decisões tipadas da FluidInference, publicado em 10 de outubro de 2026. O card do Hugging Face o descreve como um modelo de 0,70B parâmetros: backbone Qwen3-0.6B com a head conjunta de schema do Clef, destilado do Clef-flash 9B da Cloudflare. O card publica os pesos PyTorch e o pacote Core ML. O post arredonda o tamanho para 0,6B.
O modelo recebe um estado e perguntas tipadas noul, choice ou score, e devolve uma probabilidade para cada resposta permitida numa passagem. Os pesos usam Apache-2.0. O pacote Core ML tem quatro faixas de comprimento, aceita até 16 perguntas e 96 opções; o runtime Swift ClefTextManager está no FluidUse.
Claims de avaliação
O card do modelo relata 79,1% de acurácia gold em 12 conjuntos de teste (5.124 perguntas), contra 88,2% do professor 9B. Relata também 86,4% de concordância com o professor e ECE dev 0,046. São UnverifiedClaim: não há reprodução independente ligada, e a mistura inclui conjuntos de conhecimento e raciocínio nos quais o aluno fica bem atrás do professor.
O card relata cerca de 48 ms para um exemplo de ticket de suporte com três perguntas na GPU do M5 Pro e 77 ms na Neural Engine. São tempos de uma demo, não uma distribuição de latência. A versão Core ML divergiu do modelo PyTorch em 15 de 5.118 respostas (0,3%); o autor diz que todos eram quase-empates. Esses números também são UnverifiedClaim.
Por que entra no catálogo
Há um checkpoint publicado e treinado para decisões tipadas, com schema documentado e runtime que o utiliza. Atende aos critérios do catálogo como modelo aberto. As notas refletem a evidência publicada e são provisórias até uma avaliação independente.