ENPT

MoJev

Última atualização:

Aberto15–80ms$0/M input

Notas do quadrante

Ver o quadrante completo

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

  • Maturidade6.5/10

    Release acadêmico com preprint, dataset público, demo HF Space, código completo de treino/eval, e licença MIT. API wire-compatible com TypeSafe SDK. Release recente (22–23 Set).

  • Capability7.8/10

    Multimodal (texto+imagem), 262k de contexto nativo (1M com YaRN), calibração medida ECE 0.79%, 93.23% accuracy em 12k eval. Arquitetura TreePacked Attention documentada.

  • Adoção15/100

    Release de segundo dia com tração modesta no HF (14 downloads, 4 likes); origem acadêmica pode limitar visibilidade inicial vs peers indie/enterprise.

Vendor claims

MoJev é um modelo System One acadêmico aberto do MoLeMo-Lab (aparentemente afiliado à Fudan University) — baseado em Qwen3.5-0.8B com um scorer TreePacked Attention customizado — wire-compatible com o TypeSafe SDK e licenciado sob MIT.

Passe estado de texto ou imagem mais schemas definidos em runtime (Choice, Score, Noul); receba distribuições de probabilidade sobre valores permitidos em um forward pass. O servidor empacota múltiplas perguntas em uma invocação do modelo. 262k de contexto nativo (até 1M com YaRN).

Especificações

Atributo Valor
Autor MoLeMo-Lab (acadêmico, afiliado FDU)
Modelo base Qwen3.5-0.8B
Parâmetros ~0.85B
Licença MIT
Lançamento
Status Pesos + código abertos (GitHub, Hugging Face)
Contexto 262k nativo, 1M com YaRN
Modalidades Texto + Imagem
Tipos de decisão Choice, Score, Noul (boolean)
Calibração ECE 0.79% (medido)
Accuracy 93.23% em 12k decisões eval

Arquitetura

MoJev usa TreePacked Attention: cada candidato atende ao estado, sua própria pergunta e seus próprios tokens. Um readout rank-512 converte o par contexto/candidato codificado em um logit. O treino combina Plackett–Luce ranking e Brier calibration loss.

Diferença chave dos clones Jev baseados em prompt: a máscara de atenção isola candidatos enquanto compartilha estado — sem decode autoregressivo, sem texto para parsear.

Compatibilidade wire

MoJev serve um endpoint compatível com TypeSafe SDK:

pip install -e '.[transformers]'
mojev serve MoLeMo-Lab/mojev --port 8000
from typesafe_sdk import Choice, TypeSafeClient

with TypeSafeClient(api_key="local", base_url="http://127.0.0.1:8000") as client:
    result = client.system_one(
        state={"document": "Fui cobrado duas vezes. Corrijam isso urgente."},
        questions={
            "category": Choice(
                instructions="Sobre o que é este ticket?",
                criteria={"billing": None, "technical": None, "other": None},
            )
        },
    )

Drop-in replacement para Jev hospedado em deploys locais.

Multimodal

Imagens referenciadas via path no estado:

state = f"Identifique o sujeito. <|vision_start|><|image_pad|><|vision_end|>{image_path}"

Smoke test visual (do README):

Conjunto de candidatos Imagem cinza P(cat) Imagem gato P(cat)
cat, dog 0.471 0.786
cat, dog, car, other 0.264 0.528

Limitações

  • Backbone 0.85B — espere que domínios held-out e raciocínio complexo performem pior que peers maiores como JevK5 (4B) ou XOR (Qwen3.6).
  • Release de segundo dia — verifique nos seus domínios antes de produção.
  • Origem acadêmica — sem SLA comercial ou suporte; licença MIT permite uso comercial.
  • Suporte a imagem é text-interleaved — não é fusão nativa de encoder visual como Jev-Omni.

Quando usar / quando não usar

Usar quando precisar: drop-in TypeSafe SDK para deploy local, contexto longo (262k+), calibração medida, licença MIT, reprodutibilidade acadêmica (preprint + dataset + código).

Não usar quando precisar: inferência hospedada, SLA de produção, backbone maior para tarefas pesadas em conhecimento, fusão multimodal nativa.

Peers relacionados

Modelo Params Contexto Modalidades Calibração
MoJev 0.85B 262k–1M Texto+Imagem ECE 0.79%
Tiny-Jev 0.6B 32k Texto UnverifiedClaim
XOR ~7B 260k Texto+Visual UnverifiedClaim
Jev-Omni 12B ~30k T/I/A/V UnverifiedClaim

Recursos