Laya

Notas do quadrante

Ver o quadrante completo

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

• Maturidade6.2/10

  Pesos Apache + PyPI / HF / Router e docs claras lideram maturidade open; desde 02/10 também servido pelo /v1/systemone do llama.cpp (GGUF da ggml-org). Só self-host (sem SLA hosted) limita o topo.

• Capability5.5/10

  Placares oficiais (17/10): Decision Index 0.3.2 Full 4,43 (#164); JevBench Intelligence 1,8, calibração 63,2, p50 0,825 s. Primitivos tipados completos e latência self-reported rápida; zero-shot typed-decisions fica perto do acaso sem fine-tune — capability no meio, não acima do Decider.

• Adoção14/100

  Alguma menção open-source/social vs Jev, mas ainda obscuro pra maioria dos practitioners poucos dias após o lançamento.

Vendor claims

• ~33–40ms por pergunta única em T4 (autor, self-reported)[Claim do fornecedor — não verificado independentemente]
• acurácia ~0.77 no checkpoint fine-tuned do split typed-decisions (autor)[Claim do fornecedor — não verificado independentemente]
• zero-shot typed-decisions ~0.36 (perto do acaso; abaixo do majority ~0.46)[Claim do fornecedor — não verificado independentemente]

Notícias sobre este modelo

• Laya vs Jev — arena T-Rex no Apple Silicon

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.

Laya é um modelo completo aberto no estilo System One — ModernBERT-large fine-tuned com decision head (~421M parâmetros), Apache-2.0 — não é LoRA adapter e não é produto TypeSafe.

Você carrega um checkpoint, passa state compartilhado + perguntas tipadas (choice, score, noul → boolean no catálogo) e recebe respostas com probabilidades num único forward pass. Empacotamento: PyPI laya, Hugging Face convaiinnovations/laya, código em github.com/NandhaKishorM/laya. Família: english, multilingual (mmBERT-base ~322M) e typed-decisions.

Atualização de nota (03/10/2026). A maturidade foi recalculada com a fórmula ponderada usada nas outras fichas (disponibilidade 30% + docs 25% + integrações 25% + suporte 20%): 9, 7, 6 e 1 dão 6,2. O 7,0 anterior era de antes dessa fórmula. O suporte no llama.cpp já está contado no 6.

Limites (leia antes de colocar em produção)

• Zero-shot typed-decisions é fraco (~0.36) — perto do acaso; o ~0.77 é de checkpoint fine-tuned no split desse benchmark, não transferência zero-shot genérica.
• Overconfident até refit de temperature — o autor reporta ECE bem melhor depois de ajustar temperature nos seus dados (card: ~0.466 → ~0.081). Não trate probs cruas como calibradas sem o seu próprio fit.
• Comps vs Jev no card usam amostras diferentes — o Jev não foi medido pelos autores do Laya no mesmo suite; qualquer claim “acima do Jev” fica não verificado aqui.
• Orçamento de opções em choice é limitado (autor: ≲ ~20 opções por budget de tokens).
• Latência ~33–40ms / 1q em T4 é self-reported; CPU / outras GPUs diferem.
• Nota de lab independente (unverified): @michhachula (19 set 2026) testou o Laya local (~29 ms por pergunta curta no M4 Pro) num router de 38 modelos. Resultado: passou 1/5 hard constraints; inverter a ordem das opções mudou 15/16 escolhas; errou com confiança >98%; o budget de ~192 tokens na pergunta cortou detalhes do modelo. Self-reported — não é eval do ModelSystem.One. Em outras palavras: não use como drop-in do Jev sem a sua própria suite.

Framing de comunidade (não verificado)

Um post brasileiro enquadrou o Laya como “open source do Jev / já veio acima dele” (@0xCVYH, 19 set 2026). Trate como UnverifiedClaim / awareness, não como benchmark do ModelSystem.One. Serve só como sinal de adoção (~60k impressões naquele post).

Decision Index 0.2.1 (placar oficial)

No placar oficial do Decision Index 0.2.1 (snapshot de 28/09/2026), o Laya marca 6,04, 60º de 70 entradas abertas. Os mantenedores mediram mediana de 5,8 ms por pedido numa RTX PRO 6000 e ECE de 0,140. O Jev marca 57,91 no mesmo placar. O índice mede respostas zero-shot em 38 tipos de pergunta que o modelo nunca viu, e este é o checkpoint base, sem ajuste. Isso bate com o aviso do próprio README e é a leitura do post do Fabio Akita (3/10/2026): fraco como generalista zero-shot, útil quando ajustado numa tarefa estável com os seus rótulos. Sem mudança de nota; a capability de 5,0 já reflete isso.

Adjacente (encoder só-escolha)

O MaziyarPanahi/ModernJEV-Decide-Preview é um cross-encoder ModernBERT de 149,6M para ranking de escolhas (próxima ação / seleção de ferramentas). Números do autor: next-action 73,4%, tool selection 62,2%, When2Call 34,4% vs baseline de maioria 35,5% (abaixo da maioria). Preview, só-escolha — adjacente, sem ficha de catálogo. Ver docs/04.

Demos / runtimes relacionados

Projeto	Papel
virajbhartiya/laya-vs-jev	Arena T-Rex: Laya local via MLX vs Jev hosted; inclui o runtime laya-mlx pra Apple Silicon. Jogo assisted usa planner + safety overrides — não é bench de skill puro. Tabelas de latência no repo = UnverifiedClaim
mizorewww/laya-mlx	Porta MLX upstream citada pela arena (HF aac6fef/laya-*); independente da ConvAI — não é release oficial; veja Laya-MLX (0.5.0, 20/10)

Por que está no catálogo

I/O tipado público, pesos abertos + docs PyPI, e modelo encoder+head completo (não LoRA). Fica ao lado de Jev (beta pública hosted) e Kev (protótipo LoRA aberto) como o ponto open full-model mais forte no quadrante — com as ressalvas acima sobre zero-shot e calibração.

JevBench v1.6.1 (Benchmark Heaven, conferido em 7/10/2026)

No placar de pesos abertos do v1.6.1 (não comparável com o v1.5.7), o Laya (ModernBERT-large 421M) é #94 com 0,0 (Intelligence 1,8); o Laya typed-decisions #83 com 0,2; o Laya multilingual #96 com 0,0. Como no v1.5.7, leia como um encoder caindo no portão de Intelligence do placar, não como acurácia zero medida. Decision Index 0.3: Laya 4,43 (grupo do rank 107). Veja a news. Notas do catálogo inalteradas.

JevBench v1.5.7 (edição anterior, conferida em 5/10/2026; não comparável com o v1.6)

As linhas do Laya no v1.5.7 mostram score oficial 0,0 (ranks #91–#111 conforme a variante). Trate como lacuna do placar, não como acurácia zero medida. Ver news. Sem mudança de nota.

Fine-tune da comunidade: Laya TR (turco, 3/10/2026)

O hayriyigit/laya-tr faz fine-tune do convaiinnovations/laya-multilingual (322M) por 2 épocas em 285.363 decisões em turco: bev-decision-150K traduzido por máquina, os originais em inglês, e MASSIVE, XNLI e críticas de filmes nativos em turco. As temperaturas por tipo foram ajustadas em decisões turcas não vistas.

Números do autor (UnverifiedClaim): em 89.838 decisões held-out, acurácia 0,432 → 0,681 e ECE 0,277 → 0,070 contra a base; no jev-bench-tr traduzido por máquina (22.773 decisões), acurácia 0,402 → 0,490 e ECE 0,295 → 0,171.

Ressalvas: licença “other / mixed-training-data”: a base é Apache-2.0, mas as licenças dos dados de treino variam, e o card manda conferir antes de uso comercial. O exemplo de uso aponta para um repo privado laya-tr-test. Uma variante bancária, laya-tr-karar, subiu em 5/10. Fora de qualquer placar. As notas desta ficha não mudam.

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
Decision Index 0.3.2 (16 out 19:00 UTC)	Laya	Full 4,43 (#164, grupo de empate 49); público 6,19 (#167); same-skills 9,08; new-domains 4,05
JevBench pesos abertos (ao vivo 17/10)	Laya	Capability 32,5; Intelligence 1,8; calibração 63,2; p50 0,825 s; US$ 0,0032/1k
JevBench pesos abertos (ao vivo 17/10)	Laya typed-decisions	Capability 44,2; Intelligence 5,5; calibração 83,0; p50 0,864 s; US$ 0,0038/1k
JevBench pesos abertos (ao vivo 17/10)	Laya multilingual	Capability 17,0; Intelligence 0,3; calibração 33,7; p50 0,358 s; US$ 0,0039/1k

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

• “No placar oficial do Decision Index 0.2.1 (snapshot de 28/09/2026), o Laya marca 6,04, 60º de 70 entradas abertas.”

Atualização da nota (auditoria, 17/10/2026). Capability 5 → 5,5, primeira conta completa (a nota anterior não tinha detalhamento guardado) = tipos 10 × 0,30 + calibração 4 × 0,25 + latência 5 × 0,25 + acurácia 1 × 0,20 = 5,45 → 5,5. Tipos vêm de decisionTypes; calibração do eixo do JevBench 63,2 (≥90 → 7, 85–89,9 → 6, 75–84,9 → 5, 60–74,9 → 4, abaixo de 60 → 3; sem ECE do autor); latência do p50 self-hosted do placar 0,825 s, sem p99 (≤0,25 s → 7, ≤0,5 s → 6, ≤1 s → 5, acima → 3); acurácia Decision Index Full 4,43 ÷ 60,11 × 8 = 0,6, arredondado para cima. Maturidade e adoção inalteradas.

Hugging Face em 17/10 (convaiinnovations/laya): 50.888 downloads, 5.668 likes, tag de licença apache-2.0, última modificação 2026-10-03.

ONNX da comunidade para WebGPU (24/10/2026)

publicado (OK do Fabricio 25/10 BRT).

O ningsuhen/laya-typed-decisions-onnx (Apache-2.0, 24/10 19:52 BRT) é uma exportação ONNX fp16 não oficial do convaiinnovations/laya-typed-decisions para o ONNX Runtime Web em WebGPU, com as proteções de NaN reescritas para rodar na GPU. Sem retreino. Paridade medida pelo autor (UnverifiedClaim): mesma opção principal que o fp32 nativo em 47/47 passadas no navegador (diferença máxima de probabilidade 0,021); 0 trocas em 3.082 decisões num subconjunto nativo em CPU; cerca de 52 ms por forward numa GPU Apple. A tokenização fica com quem chama, usando o pacote laya original. Notas inalteradas.

Links

• llama.cpp: llama serve -hf ggml-org/Laya-GGUF e depois POST /v1/systemone (blog da ggml-org, 02/10/2026)