ENPT

GLiDE

Última atualização:

Beta—$0.3/M input

Notas do quadrante

Ver o quadrante completo

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

  • Maturidade4.9/10

    API hospedada self-serve (api.fastino.ai/v1/systemone) com referência completa, preços e guia de migração da TypeSafe. Pesos fechados, sem anúncio de GA, sem SLA. As docs da Fastino dizem que não é substituto direto do Jev (a semântica de Score muda), então o reuso do SDK é parcial.

  • Capability6/10

    Noul / Choice / Score, até 255 opções e 40 mil tokens. O thinking adaptativo gera tokens de raciocínio nos itens difíceis, e não há número de latência. Confidence é a margem entre top-1 e top-2, sem métrica de calibração. A rodada completa do Decision Index (64,81) é própria, com o scorer oficial, fora do placar.

  • Adoção13/100

    Lançamento com bom alcance no X (~270 e ~140 likes nos dois posts principais, ~60 mil views somadas). A Fastino já tem um modelo de decisão no catálogo. Ainda sem integrações ou casos de produção para o GLiDE.

Vendor claims

Leia antes

  1. 64,81 é rodada da própria Fastino com o scorer oficial, embora o post de lançamento de @george_onx diga “Ranks #1 on the Decision Index”. O GLiDE não está no Decision Index oficial, onde as submissões para a 0.2.1 estão pausadas. No mesmo dia a Cloudflare declarou liderança para o Clef (61,21), também em rodada própria.
  2. “Thinking” quer dizer que o modelo gera tokens de raciocínio ocultos nos itens incertos. Eles aparecem como output_tokens e custam US$ 0, mas somam latência, e não há números de latência publicados.
  3. Não é substituto direto do Jev. As docs da Fastino dizem isso: score devolve um índice inteiro mais expected_level, e confidence é a margem entre as duas primeiras opções.
  4. “Primeiro modelo de decisão que pensa” é claim de marketing. O TypeLLM oferece um modo “thinking” pago para decisões desde 29/09.

O GLiDE (“Generalized Lightweight Decision Engine”) é um modelo de decisão da Fastino, apresentado num post no blog datado de 30 de setembro de 2026, de Sahibzada Allahyar e Mary Newhauser, e lançado no X em 1º de outubro (15:27 BRT, @fastinoAI e @george_onx). É só hospedado: sem pesos, sem número de parâmetros, sem modelo base divulgado.

O GLiDE primeiro produz uma distribuição rápida de probabilidades sobre as opções. Se a resposta líder é incerta, ele gasta raciocínio extra e incorpora isso às probabilidades finais. A Fastino posiciona o modelo para controladores de agente escolhendo entre centenas de ferramentas, raciocínio em vários passos (aritmética, datas, rastreio de código) e verificação da saída de outros modelos.

Especificações

Atributo Valor
Autor Fastino
Pesos Fechados (só hospedado); tamanho e base não divulgados
Endpoint POST https://api.fastino.ai/v1/systemone, modelo fastino/glide
Autenticação X-API-Key ou Authorization: Bearer
Tipos de pergunta Noul, Choice (até 255 opções), Score
Contexto 40 mil tokens por pergunta; requests grandes demais são recusados, não truncados
Preço US$ 0,30 / M tokens de input; tokens de thinking aparecem como output e custam US$ 0
Fine-tuning Ainda não disponível para o GLiDE (docs: sem deployments fine-tuned)
Lançamento (data do blog)

Evidências (UnverifiedClaim)

Área GLiDE Jev 1.13 (publicado)
Decision Index 0.2.1 64,81 57,91
Knowledge and Reasoning 62,9 51,4
Tools and Automation 83,5 75,1
CLadder 88,7 72,6
CRUXEval 92,6 73,0

A Fastino diz que o GLiDE supera o Jev nas cinco áreas e em 31 de 38 benchmarks. A thread de Mary Newhauser acrescenta +6,9 no HLE.

Um gráfico posterior da Fastino (postado em 02/10 por @singularity_bly, que no perfil diz trabalhar na Fastino; o post em si não diz) acrescenta Clef 61,2 (autodeclarado), Clef-flash 57,1 e pplx-decider 56,39 rodado pela Fastino. O eixo y começa em 56, o que faz as diferenças parecerem maiores do que são. Um teste útil: o board público tem o pplx-decider em 56,40, então o harness da Fastino bate com o board com diferença de 0,01 nesse modelo. Isso deixa o 64,81 autorrodado mais crível, mas ele continua fora do board. A frase de que o GLiDE “nunca treinou em uma linha do DI” não é verificada. Sem mudança de nota.

Quando usar / quando evitar

Usar: decisões difíceis e com muito raciocínio em que algumas centenas de milissegundos a mais são aceitáveis (guardrails de agente, escolha de ferramenta em menus longos, verificação); times que aceitam API hospedada.

Evitar: caminhos críticos de latência sem tolerância a tempo de resposta variável; necessidade de self-hosting ou residência de dados; código que depende da semântica exata de Score do Jev.

Limites

  • Sem números de latência, sem métrica de calibração.
  • O post de lançamento fala em “inference and training”, mas as docs ainda não listam deployments fine-tuned do GLiDE.
  • A página de preços e a página do modelo da Fastino divergem no preço do GLiNER-2.5-Decide (US$ 0,03 vs US$ 0,15 por M); confira os preços no console.

O GLiDE é um modelo que a Fastino treinou para decisões e serve por uma API tipada documentada que devolve probabilidades. O passo de thinking é interno; quem chama continua recebendo respostas estruturadas, não texto. Fica ao lado do GLiNER-2.5-Decide, que a Fastino já tinha no catálogo.