OpenDecider
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade6.1/10
Pesos Apache-2.0, pacote PyPI, notebook Colab, demo no HF Space e COMPARISON.md detalhado. Só self-host; sem SLA. Primeiro release público em 27/09/2026.
- Capability8/10
choice / score / noul de primeira classe, com fala de calibração e claims de ~17 ms na L40S / ~18 ms no M4 Max. Tabelas head-to-head do autor com IC; o score typed-decisions do nano é in-domain no train split.
- Adoção17/100
Thread no Reddit MachineLearningNews (~51 upvotes), PyPI 0.1.2, cerca de 10 estrelas no GitHub e Space ao vivo. Tração cedo de ecossistema, sem case de produção ainda.
Vendor claims
- opendecider-nano typed-decisions 0,796 vs checkpoint typed-decisions da Laya 0,766 (+0,030, IC 95% +0,014 a +0,044) e Jev TypeSafe 0,754 via API TypeSafe; o nano foi fine-tuned no train split[Claim do fornecedor — não verificado independentemente]
- opendecider-small (nunca viu typed-decisions) marca 0,672 vs Laya base 0,362; small-td marca 0,792; medium-td marca 0,788 em typed-decisions e 0,765 em 200 decisões gerais vs Jev 0,730[Claim do fornecedor — não verificado independentemente]
- Cerca de 17 ms por decisão numa NVIDIA L40S e 18 ms num Apple M4 Max; ~9 ms por pergunta em batch[Claim do fornecedor — não verificado independentemente]
- MLX 8-bit do small casa com full precision em 399/400 gerais e 1.955/2.000 typed-decisions[Claim do fornecedor — não verificado independentemente]
OpenDecider é uma família open de modelos de decisão System One calibrados. Você passa um state (texto, ticket ou JSON) e perguntas tipadas (choice, score, noul); ele devolve uma probabilidade para cada opção numa forward pass. Sem geração de texto.
Entrada padrão: manjunathshiva/opendecider-nano (~400M, encoder Ettin). Irmãos: opendecider-small (LoRA 4B no Qwen3-4B-Instruct-2507), variantes *-td afinadas em workflow e opendecider-medium-td (Qwen3-30B-A3B + LoRA). Instalação: pip install opendecider (PyPI 0.1.2). Código e tabelas: github.com/manjunathshiva/opendecider (~10★). Demo: HF Space.
Independente da TypeSafe AI. Projeto distinto do watch mvbalaji/od1* (“Open Decider”) — outro autor e outro stack.
Specs
| Atributo | Valor |
|---|---|
| Autor | manjunathshiva (independente) |
| Flagship | opendecider-nano (~400M) |
| Outros pesos | small, small-td, medium-td, builds MLX 4/8-bit do small |
| Tipos de decisão | choice, score, noul (catálogo boolean para noul) |
| Licença | Apache-2.0 |
| Lançamento | |
| Runtime | pacote Python opendecider — CPU, NVIDIA, Apple Silicon (MPS/MLX) |
Benchmarks do autor
Tudo aqui é reportado pelo autor → UnverifiedClaim, medido com o harness Antz AI / jev_and_laya_benchmarking e a API TypeSafe na linha do Jev. Notas: COMPARISON.md.
| Modelo | typed-decisions | Nota |
|---|---|---|
| opendecider-nano | 0,796 | Fine-tune no train split (como o checkpoint TD da Laya) |
| Laya TD | 0,766 | Mesmo harness |
| TypeSafe Jev | 0,754 | Via API TypeSafe |
| opendecider-small | 0,672 | Nunca viu typed-decisions |
| opendecider-small-td | 0,792 | Fine-tune de workflow |
| opendecider-medium-td | 0,788 | Também 0,765 em 200 decisões gerais (autor) |
Leia a coluna in-domain primeiro para nano / *-td. Prefira o small (sem fine-tune TD) quando quiser comparação zero-shot mais limpa.
Limites
- O número de capa do nano em typed-decisions é in-domain. Mesma ressalva do checkpoint TD da Laya e das suites do RSI-Jev.
- Head-to-heads self-run. ICs cuidadosos, mas não é entrada independente de leaderboard.
- Medium-td é mais NVIDIA/Linux no README.
- Não é TypeSafe. O nome
system_one()é conveniência de API, não afiliação.
Fit / anti-fit
Fit quando você precisa: família open instalável via pip com claims de paridade CPU/Mac/NVIDIA, Colab/Space para experimentar, ou um peer encoder pequeno perto de Julia-1 / Laya.
Anti-fit quando você precisa: visão multimodal (veja Valen / Jev-Omni), SLA hospedado, ou um número que possa tratar como zero-shot sem ler qual checkpoint foi TD-tuned.
Por que está no catálogo
Pesos de decisão treinados, interface tipada pública, distribuição Apache-2.0 e comparações documentadas (ainda que self-run) contra Jev e Laya. Ficha de família com nano como default — mesmo padrão de JevEmbed / RSI-Jev.