ENPT

Lumma-fev-0.6B

Última atualização:

Aberto20–100ms$0/M input

Notas do quadrante

Ver o quadrante completo

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

  • Maturidade4.6/10

    Pesos Apache-2.0, pacote no PyPI (lumma-fev 0.1.1) e servidor lumma-fev-serve que fala o contrato /v1/systemone da TypeSafe, então o SDK da TypeSafe funciona só trocando o base_url. Ainda tem poucos dias, só self-host, sem SLA hosted.

  • Capability5.9/10

    noul / choice / score de primeira classe (1–255 opções ou níveis) num backbone 0.6B, state de 8k tokens, inglês + 10 línguas indianas. Números do autor são fortes em datasets clássicos de classificação mas fracos em decisões tipadas (0,30 vs 0,72–0,76 dos peers); tudo UnverifiedClaim.

  • Adoção22/100

    ~55 likes e ~1,3k downloads no HF em quatro dias, tweet de lançamento com 137 likes / ~7,1k views e um irmão 0.1B já no HF. 4B/9B anunciados pelo autor ainda não são públicos.

Vendor claims

Lumma-fev-0.6B é um modelo de decisão Jev-like aberto da FrontiersMind, fine-tuned em cima do Lumma-0.6B-Base, que eles mesmos pré-treinaram do zero. Não é TypeSafe e não é um adapter LoRA: o LoRA rank 16 vem mergeado nos pesos publicados.

Passe um state (texto, objeto JSON ou array) mais perguntas tipadas; receba uma distribuição de probabilidade por pergunta em um forward pass, com zero geração de texto. Opções entram, probabilidades saem. O autor posiciona o modelo para routing, triagem e moderação.

Pesos: Hugging Face FrontiersMind/Lumma-fev-0.6b (Apache-2.0). Runtime: lumma-fev no PyPI. Anúncio: @FrontiersMind (22 set 2026).

Especificações

Atributo Valor
Autor FrontiersMind (independente)
Modelo base FrontiersMind/Lumma-0.6B-Base (pré-treinado do zero pela FrontiersMind)
Fine-tuning LoRA rank 16, mergeado nos pesos
Parâmetros 649M
Pesos Backbone bf16, pointer head fp32 (256 dims)
Contexto Até 8.192 tokens de state
Idiomas Inglês + 10 línguas indianas
Licença Apache-2.0
Lançamento
Status Pesos abertos (Hugging Face)
Tipos de decisão noul (sim/não), choice (1–255 opções), score (1–255 níveis ordenados)
Runtime pip install lumma-fev (0.1.1); lumma-fev[serve] adiciona o servidor de API; transformers com trust_remote_code
Família Lumma-fev-0.1b (HF, 25 set 2026); 4B / 9B anunciados, ainda não públicos

Arquitetura

Lumma-fev segue o padrão Jev-like one-pass. É um transformer causal rodando só em prefill: cada linha de pergunta lê o state mais as próprias instruções e opções, nunca as outras perguntas, então uma pergunta não mexe na resposta de outra. Um pointer head de 256 dims lê uma distribuição sobre as opções. Sem decode autoregressivo, não tem o que parsear nem o que alucinar.

Três jeitos de rodar, todos no card HF:

  • transformers — AutoModel.from_pretrained(..., trust_remote_code=True) e depois model.decide(state, questions)
  • pacote lumma-fev — lumma_fev.load(...) escolhe CUDA, MPS ou CPU
  • lumma-fev-serve — expõe o contrato POST /v1/systemone da TypeSafe; o card mostra o SDK da TypeSafe (typesafe-sdk) funcionando contra ele só trocando o base_url

Benchmarks do autor

Todos os números abaixo vêm do card HF. São reportados pelo autor → UnverifiedClaim, não medições do ModelSystem.One.

Benchmark Lumma-Fev-0.6B TypeSafe Jev 1.13.0 Laya Lumma-Fev-0.15B
Banking77 0,90 0,87 0,425 0,47
DAIR Emotion 0,89 0,48 0,595 0,68
AG News 0,85 0,91 0,95 0,89
Typed-decisions 0,30 0,72 0,76 0,20
Média 0,74 0,75 0,68 0,56

Leitura honesta: forte nos datasets clássicos de classificação single-label, fraco em Typed-decisions (0,30 vs 0,72 do Jev e 0,76 do Laya). O quase empate na média esconde esse buraco. Como referência, o DecisionEval, independente, mediu o Jev 1.13.0 em 0,740 em decisões tipadas, coerente com o 0,72 que o card atribui ao Jev.

Limitações

  • Benchmarks reportados pelo autor — a tabela do card é UnverifiedClaim; ainda não tem rodada independente do Lumma-fev.
  • Fraco em decisões tipadas — 0,30 no próprio Typed-decisions do autor, bem abaixo de Jev e Laya; a média de 0,74 se apoia em Banking77 / DAIR Emotion / AG News.
  • Backbone 0.6B — espere que domínios held-out e raciocínio complexo fiquem atrás de peers maiores como JevK5 (4B) ou Decider (2B).
  • Calibração é com você — o card diz que confidence e probabilidades são estimativas do próprio modelo; meça a calibração nos seus dados rotulados antes de disparar ações automáticas.
  • Muito novo — lumma-fev 0.1.1 e os pesos têm poucos dias; as APIs podem mudar.
  • Nome desencontrado — a tabela do card chama o irmão menor de “Lumma-Fev-0.15B”, mas o repo no HF é Lumma-fev-0.1b.
  • 4B / 9B são claim do vendor — o card diz que saem em 26 de setembro com um blog; em 26 set 2026 ~09:00 BRT ainda não estavam públicos no HF.
  • Sem SLA hosted — só self-host.

Quando usar / quando não usar

Usar quando precisar: decisões tipadas rápidas em hardware limitado, routing/triagem/moderação no edge, classificação de intenção ou tópico, um substituto local para código já escrito contra a API /v1/systemone da TypeSafe, entradas em inglês ou línguas indianas.

Não usar quando precisar: decisões tipadas fortes com várias perguntas (veja o score de Typed-decisions), raciocínio profundo, tarefas pesadas em conhecimento, inferência hosted ou SLA de produção.

Pesos de decisão treinados, I/O de decisão tipada aberto e um servidor que fala o contrato da TypeSafe; ocupa o slot sub-1B focado em routing ao lado de Tiny-Jev e NanoJev. Com um irmão 0.1B já publicado e 4B/9B anunciados, está virando família.