OpenThai-SystemOne
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade6.1/10
Pesos 0.8B Apache-2.0 no HF com pacote pip (openthai-systemone), repo no GitHub, build oficial no Ollama para /v1/systemone e uns 14 builds quantizados (GGUF, MLX, NVFP4, GPTQ, bnb). Card muito detalhado. Lab independente, sem API hospedada nem SLA.
- Capability7.8/10
Choice (até 255 opções mais abstenção), Score e Noul numa head de 256 slots. Calibração por Brier loss com temperatura por tipo e ECE por conjunto publicados. Cerca de 40 ms numa H100 e 23 ms por pergunta no Ollama [vendor]. Benchmarks rodados pelo autor em subsets públicos [vendor].
- Adoção6/100
Cerca de 10,5 mil downloads e 33 likes no repo principal do HF, mais uns 1 mil somando os builds quantizados (6/10). Está na biblioteca do Ollama como iapp/openthai-systemone. Nenhum caso de produção encontrado.
Vendor claims
- Média macro 74,3 nos 13 subsets públicos do PUBLIC_BENCHMARKS do Bespoke Nimble (Nimble-9B 74,8, Jev 1.13.0 76,0 como publicados pela Bespoke Labs em 18/09/2026); à frente do Nimble-9B em 8 de 13 subsets na tabela do card[Claim do fornecedor — não verificado independentemente]
- Conjuntos held-out em tailandês: intent MASSIVE-th 90,0% (ECE 0,043), tópicos Prachathai67k 98,1%, XNLI-th 77,1%, estrelas Wongnai 63,5%; piores conjuntos sentimento Wisesight 51,6% e banking77 em inglês 45,4%[Claim do fornecedor — não verificado independentemente]
- Latência: cerca de 40 ms para um ticket tailandês de 3 perguntas numa H100, 154 ms num MacBook M3 Max; no Ollama 0.35 o build Q8_0 leva 23 ms para uma pergunta e 136 ms para três[Claim do fornecedor — não verificado independentemente]
Leia antes
- Todos os números são do autor. A iApp mediu o bench público de 13 subsets com scripts próprios e cita Nimble-9B e Jev da tabela publicada pela Bespoke Labs. O modelo ainda não está no JevBench nem no board do Decision Index, então trate tudo como UnverifiedClaim.
- Forte em tailandês, irregular em inglês, e o card se contradiz. A tabela marca 8 de 13 subsets à frente do Nimble-9B e mostra SQuAD2 com 89,3, enquanto o texto logo abaixo diz que o modelo lidera em 4 de 13 e que o SQuAD2 está no acaso. Também aponta BoolQ, PubMedQA e relevância no SummEval (ECE 0,356 na tabela, 0,79 no texto) como pontos fracos. Registramos a divergência sem escolher um lado.
- O Ollama limita a 26 opções. A API do próprio repo aceita até 255 opções; o build do Ollama foi ajustado para o prompt do Ollama e descarta perguntas mais largas.
O que é
O OpenThai-SystemOne é um decision model aberto em tailandês + inglês da iApp Technology. Ele não gera texto. Recebe um estado (texto ou JSON) e perguntas tipadas e devolve probabilidades sobre as opções numa passada, com contrato de request e resposta espelhando o POST /v1/systemone da TypeSafe.
| Tipo | Você manda | Você recebe |
|---|---|---|
choice |
instruções + até 255 opções | escolha, probabilidades, confiança (slot 255 = abstenção) |
score |
instruções + 2–10 níveis ordenados | score fracionário, probabilidades, confiança |
noul |
uma pergunta sim/não | p(sim) |
Como foi feito, segundo o card: a torre de texto do Qwen3.5-0.8B-Base (sem o encoder de visão), pré-treino contínuo em cerca de 5B tokens em tailandês, a LM head trocada por uma head de 256 slots, treino em uns 2–3M exemplos de decisão e depois uma etapa curta de calibração (Brier loss mais temperatura por tipo).
Specs
| Atributo | Valor |
|---|---|
| Autor | iApp Technology (Tailândia) |
| Base | Torre de texto do Qwen3.5-0.8B-Base + pré-treino contínuo em tailandês |
| Licença | Apache-2.0 |
| Pesos | iapp/OpenThai-SystemOne + builds GGUF, MLX, NVFP4, FP8, GPTQ e bnb |
| Runtime | pip install openthai-systemone · Ollama ≥ 0.35 (ollama pull iapp/openthai-systemone) |
| Lançamento | (HF); build do Ollama em 1/10 |
| Latência | 23–154 ms conforme o setup — UnverifiedClaim |
| Preço | Self-host (pesos gratuitos) |
Números (UnverifiedClaim)
Bench público de 13 subsets, zero-shot, rodado pelo autor:
| OpenThai 0.8B | Nimble-9B | Jev 1.13.0 | |
|---|---|---|---|
| Média macro | 74,3 | 74,8 | 76,0 |
Os números de Nimble e Jev são os publicados pela Bespoke Labs, não uma rodada no mesmo dia. Pelo Ollama, a iApp também rodou Tev1 0.8B (64,3), Tev1 4B (74,9) e Nimble 9B (74,8) nos mesmos registros; nos 8 conjuntos em tailandês o build Q8_0 fez 82,5 contra 75,4 e 78,3 do 4B e do 9B.
Quando usar / quando não usar
Use quando precisar de: roteamento, moderação, intenção e relevância de RAG em tailandês ou misto tailandês/inglês num notebook ou GPU pequena, com código feito para os SDKs TypeSafe ou para o Ollama.
Não use quando precisar de: yes/no de compreensão de leitura, score fino de relevância de resumo, ou API hospedada com SLA.
Conta do score (6/10/2026)
- Maturidade = disponibilidade 8 × 0,30 + docs 8 × 0,25 + integrações 6 × 0,25 + suporte 1 × 0,20 = 2,40 + 2,00 + 1,50 + 0,20 = 6,10
- Capability = tipos 10 × 0,30 + calibração 7 × 0,25 + latência 8 × 0,25
[vendor]+ acurácia 5 × 0,20 = 3,00 + 1,75 + 2,00 + 1,00 = 7,75 → 7,8 - Adoção = engajamento 10 × 0,35 + ecossistema 8 × 0,35 + produção 0 × 0,30 = 3,50 + 2,80 + 0 = 6,3 → 6
Calibração 7: método (Brier loss + temperatura por tipo) e ECE por conjunto publicados. Acurácia 5: rodada pelo autor em dados públicos, sem placar independente.