FRIDA-Decisions
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade5.8/10
Pesos MIT (bf16 + ONNX int8 para CPU), card detalhado, pacote no GitHub, notebooks no Colab e Space de demo. Serve por um plugin próprio de pooling do vLLM (POST /pooling), não /v1/systemone, então o SDK da TypeSafe não aponta para ele. pip só via git. Time da SberAI, sem SLA.
- Capability6.8/10
Choice / Score / Noul (e ranking) com encoder T5 e head escalar. Devolve distribuição por pergunta, mas sem claim de calibração, temperatura ou ECE. 28–34 ms no processo numa RTX 5060 Ti, sem p99 (autores). razvilka 0,893 vs Jev 0,897 num benchmark montado pelo próprio time.
- Adoção4/100
Primeiro dia: 207 downloads e 15 likes no Hugging Face, 3 estrelas no GitHub, um Space de demo e algumas menções em russo no X. Sem derivados, integrações ou uso em produção relatado.
Vendor claims
- razvilka (735 itens em russo, 15 tarefas): 0,893 vs TypeSafe Jev 0,897 nos mesmos itens (McNemar pareado p = 0,84); o maior entre os modelos abertos que o time rodou[Claim do fornecedor — não verificado independentemente]
- 28,2 ms (1 pergunta) / 34,0 ms (3 perguntas) por requisição numa RTX 5060 Ti, bf16, no processo, mediana de 30 após aquecimento[Claim do fornecedor — não verificado independentemente]
- Servidor vLLM: ~60 requisições/s com 8 em paralelo numa RTX 5060 Ti; catálogo de 243 intenções respondido em 0,44 s (vs 4,65 s sem empacotar)[Claim do fornecedor — não verificado independentemente]
- ONNX int8 na CPU faz 0,891 no razvilka; ~0,9 s para uma requisição de 384 tokens com 3 perguntas em 6 threads[Claim do fornecedor — não verificado independentemente]
Notícias sobre este modelo
Leia antes
- O benchmark principal é dos próprios autores. O razvilka saiu no mesmo dia do modelo, o scorer fica no repo do FRIDA-Decisions e todas as linhas da tabela foram rodadas pelo time. Trate o 0,893 vs 0,897 do Jev como autodeclarado.
- Russo primeiro. Os dados de treino são 71% russo e 29% inglês, e o razvilka é só em russo. O card não traz benchmark em inglês.
- Não é servidor
/v1/systemone. O JSON da requisição tem o formato do Jev (state,questions,criteria,noul), mas o serviço é via Python (Judge) ou plugin de pooling do vLLM. Clientes do Jev precisam de adaptador.
O FRIDA-Decisions é um modelo de decisão aberto publicado no Hugging Face em 2 de outubro de 2026 pelo УЭСМО, da SberAI, na organização ai-forever. É construído sobre o ai-forever/FRIDA, um encoder T5 de 823M de parâmetros, e responde perguntas estruturadas sobre um texto numa única passada do encoder, sem geração. O código está no GitHub (MIT, release v0.2.0).
É o primeiro modelo de decisão só-encoder do catálogo feito para russo, e um dos poucos que rodam bem em CPU: um build ONNX int8 vem junto com os pesos.
Especificações
| Atributo | Valor |
|---|---|
| Base | ai-forever/FRIDA (encoder T5, 823M) |
| Parte de decisão | LoRA r16 em q/k/v/o das 24 camadas + head escalar (4,7M treináveis), fundida nos pesos publicados; head.safetensors separado |
| Tipos de pergunta | choice, score, noul e ranking (ordenar candidatos) |
| Empacotamento | Todas as opções de todas as perguntas numa sequência; o cache do estado faz perguntas seguintes custarem só os próprios tokens |
| Limites | Textos de até 512 tokens recomendados; até 16 opções por linha |
| Serviço | pip install "frida-decisions[torch] @ git+…@v0.2.0" → Judge; [onnx] → OnnxJudge na CPU; vllm serve … --io-processor-plugin frida_decisions → POST /pooling |
| Treino | 1,42M exemplos em 151 tipos de pergunta, 71% russo / 29% inglês; cerca de um quarto com texto ou rótulo gerado por LLM (estimativa do time); uma época, ~50 horas de GPU classe RTX 5060 Ti |
| Licença | MIT (a base FRIDA também é MIT) |
| Lançamento |
Evidências (UnverifiedClaim)
Do model card:
| Modelo | Acurácia no razvilka |
|---|---|
| TypeSafe Jev (API) | 0,897 |
| FRIDA-Decisions | 0,893 |
| FRIDA-Decisions, ONNX int8 na CPU | 0,891 |
| smolnikov/migom-2b | 0,853 |
| Mapika/decider-2b | 0,833 |
| fastino/GLiNER2.5-multi-Decide | 0,576 |
| convaiinnovations/laya (multilíngue) | 0,559 |
| open-jev (DeBERTa-v3-large) | 0,490 (janela curta demais para 140 de 735 itens) |
| acaso | 0,257 |
O razvilka tem 735 itens em russo em 15 tarefas (roteamento, intenção, tema, sentimento, moderação, ranking de relevância), os quatro tipos de pergunta e rótulos ouro tirados de datasets publicados. Itens e scorer são públicos, então a tabela pode ser refeita, mas ninguém de fora do time refez ainda.
Latência, uma requisição por vez, no processo: 28,2 ms (uma pergunta) e 34,0 ms (três perguntas) numa RTX 5060 Ti; 0,88 s em 6 threads de CPU com o build int8. Pelo vLLM: 25–45 ms por requisição e cerca de 60 requisições/s com 8 em paralelo.
Quando usar / quando não usar
Usar: roteamento, detecção de intenção, moderação e checagem de relevância em RAG em russo; deploy só em CPU ou GPU de consumo; catálogos grandes de rótulos (o empacotamento faz 243 intenções custarem 0,44 s em vez de 4,65 s).
Não usar: cargas em inglês até sair um benchmark em inglês; documentos longos (512 recomendados); qualquer caso que precise de API hospedada, endpoint /v1/systemone ou probabilidades calibradas para usar ao pé da letra.
Limites
- Sem estudo de calibração: o card mostra distribuições, mas nenhum ECE ou temperatura.
- Fora dos placares do Decision Index e do JevBench.
- O campo de licença do repo no GitHub aparece como NOASSERTION; o arquivo LICENSE é MIT (com crédito à base FRIDA).
Por que está no catálogo
O FRIDA-Decisions treina pesos de decisão próprios (LoRA mais um head escalar de leitura sobre um encoder), publica tudo com uma API tipada documentada que devolve probabilidade por opção e cobre os três tipos de decisão. Entra como model porque o release traz os pesos completos já fundidos, não um adapter separado.