linne-oak 1.0
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade4.4/10
Pesos BF16 Apache-2.0 (~62 GB) no Hugging Face, com GGUF da comunidade. A documentação é o card mais um arquivo de engine de referência. Sem servidor, sem integração de terceiros, projeto de uma pessoa.
- Capability6.2/10
Choice e Noul lidos dos logits das letras das opções, com as camadas de atenção completa bidirecionais. 2º de 168 na nota Full do Decision Index 0.3.2 (65,61), partes privadas rodadas pelos mantenedores. Mediana de 105 ms no placar. Sem números de calibração.
- Adoção1/100
Cerca de mil downloads somando pesos e GGUF, 3 likes, nenhum post de lançamento achado e nenhum usuário relatado.
Vendor claims
- Mediana de 63 ms por requisição numa H200[Claim do fornecedor — não verificado independentemente]
- Guarda forte, passo a passo, para agentes, com baixa taxa de bloqueio indevido[Claim do fornecedor — não verificado independentemente]
O linne-oak 1.0 é um modelo de decisão de 31B publicado no Hugging Face em 11 de outubro de 2026 pela conta PNPM244. É um fine-tune do google/gemma-4-31B-it para inglês e vietnamita. O card diz que é um projeto pessoal e independente. O irmão menor, linne-fern 1.0 (27B), é causal e também conversa; o linne-oak é o modelo dedicado a decisão.
Ele passou batido pelo radar diário porque nunca teve post de lançamento. Achamos o modelo no placar do Decision Index 0.3, onde está em segundo no geral.
Ficha técnica
| Atributo | Valor |
|---|---|
| Autor | PNPM244 (independente) |
| Publicação | 11/10/2026 (Hugging Face) |
| Modelo base | Gemma 4 31B-it, fine-tune completo |
| Licença | Apache-2.0 (os termos do Gemma 4 valem para a base) |
| Tamanho | BF16, cerca de 62 GB; cabe numa GPU de 80 GB. GGUF da comunidade (mradermacher) |
| Tipos de pergunta | choice e noul na engine de referência; sem score |
| Idiomas | Inglês, vietnamita |
| Dados de treino | Dados em formato de decisão para classificação, NLI, recuperação, escolha de ferramenta e segurança de agentes. Não publicados |
Como funciona
A engine monta um prompt por pergunta no template de chat (sem raciocínio): o estado, a pergunta, uma linha por opção e “Answer with the letter of one option only”. A resposta é o softmax sobre as letras das opções na última posição do prompt. O detalhe incomum é que as camadas de atenção completa rodam nos dois sentidos sobre o prompt, enquanto as camadas de janela deslizante seguem normais. O linne_engine.py do repo implementa isso como biblioteca e como engine do Decision Index.
Decision Index 0.3.2
O índice do Hugging Face pesa 20% de benchmarks públicos, 50% de testes privados das mesmas habilidades e 30% de tarefas privadas de domínios novos. As partes privadas são rodadas pelos mantenedores. Nos dados do placar gerados em 15 de outubro:
| Modelo | Full | Público | Privado, mesmas habilidades | Privado, domínios novos |
|---|---|---|---|---|
| vLLM-SR d3 (27B) | 66,26 | 65,45 | 62,83 | 60,51 |
| linne-oak 1.0 (31B) | 65,61 | 63,94 | 62,44 | 60,12 |
| Decider 31B (NVFP4) | 64,62 | 64,27 | 61,79 | 58,32 |
| Sieve 31B | 63,81 | 62,52 | 60,89 | 58,31 |
| Jev 1.14 | 61,53 | 60,70 | 59,28 | 55,60 |
O placar coloca o linne-oak e o d3 no mesmo grupo de empate estatístico pelo primeiro lugar; Decider 31B e Sieve 31B dividem o grupo seguinte. Segundo o card, a rodada privada dos mantenedores bateu com a submissão do autor em 99,51% das linhas de validação. A medição de latência do placar é de 105 ms de mediana numa RTX PRO 6000.
Quando usar / quando não usar
Serve quando você precisa de: um modelo aberto, para hospedar por conta própria, perto do topo do placar independente; suporte a vietnamita; ou uma guarda de passos de agente que você mesmo roda.
Não serve quando você precisa de: perguntas score, servidor ou SDK prontos, hardware menor que uma GPU de 80 GB, ou calibração publicada.
Limitações
- Sem servidor: você carrega a engine de referência por conta própria. Sem endpoint
/v1/systemone. - Sem números de calibração, apesar da tag “calibrated”.
- Dados e receita de treino não publicados.
- Um único mantenedor, sem canal de suporte além do repo.
Por que está no catálogo
Pesos treinados para decisão tipada, licença aberta, código de inferência documentado e nota verificada pelo placar. Isso cumpre os critérios do catálogo. O resultado no Decision Index é a evidência independente mais forte que um modelo novo trouxe nesta semana.
Conta das notas
- Maturidade 4,4 = disponibilidade 8 × 0,30 + docs 6 × 0,25 + integrações 1 × 0,25 + suporte 1 × 0,20 = 2,40 + 1,50 + 0,25 + 0,20 = 4,35.
- Capability 6,2 = tipos 6 × 0,30 + calibração 4 × 0,25 + latência 7 × 0,25 + acurácia 8 × 0,20 = 1,80 + 1,00 + 1,75 + 1,60 = 6,15. Acurácia 8: nota do placar rodada pelos mantenedores. Latência 7: mediana de 105 ms medida pelo placar, sem p99.
- Adoção 1: quase nenhum sinal público.