Super Decider
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade6/10
Pesos NVFP4 Apache-2.0 (18 GB) e API hospedada /v1/systemone e compatível com OpenAI no ASI:Cloud, a US$ 0,03/M de entrada. Card no HF, docs da CUDOS e runtime vLLM fixado no GitHub. Uma GPU de 48 GB. Sem SLA público.
- Capability8.1/10
JevBench API (v1.7.0, medido em 21/10): composite 78,5, 1º de 48; Intelligence 78,9, Calibration 90,8, p50 0,25 s, US$ 0,016 por mil decisões. Escolha, sim/não, score (e span). Fora do Decision Index e do AA.
- Adoção1/100
79 downloads e 8 likes no Hugging Face, 14 estrelas no GitHub (26/10). Post de lançamento do ASI:Cloud em 26/10. Sem usuários em produção nomeados.
Vendor claims
- DiffusionGemma 26B-A4B fine-tuned on permissively licensed and synthetic decision data; no benchmark test items used for training (vendor)[Claim do fornecedor — não verificado independentemente]
- All answer slots of a request filled in one denoising step; bidirectional attention within each question; adaptive thinking when unsure (vendor)[Claim do fornecedor — não verificado independentemente]
- Tested with 151 options in one question and up to 64 questions in one call (vendor)[Claim do fornecedor — não verificado independentemente]
Notícias sobre este modelo
publicado (OK do Fabricio 26/10 BRT). Notas calculadas do zero.
O que é
O Super Decider é um modelo de decisão da Singularity Compute. Os pesos estão no Hugging Face (Apache-2.0, enviados em 13/10/2026) e o runtime de serviço no GitHub. Você manda um estado (texto, JSON ou imagens) e perguntas tipadas. Ele devolve uma resposta calibrada por pergunta: probabilidade por opção no choice, P(sim) no noul e nível esperado com a distribuição no score. O fornecedor ainda lista um tipo span, que cita um trecho da entrada.
- Base:
google/diffusiongemma-26B-A4B-it, um mixture-of-experts de difusão discreta (26B no total, 4B ativos), mesclado no checkpoint NVFP4 da NVIDIA. O download tem 18 GB. - Leitura: todas as respostas de uma requisição saem num único passo de denoising, então perguntas extras custam pouco (fornecedor). O bloco de cada pergunta é lido nos dois sentidos; o runtime aplica isso com um patch pequeno no vLLM.
- Thinking: quando o modelo está em dúvida, escreve um pensamento curto e lê a resposta de novo. A requisição pode desligar isso ou forçar em todas as perguntas.
- Serviço:
POST /v1/systemoneno formato do Jev, além de/v1/chat/completions. Pelo card, uma GPU de 48 GB basta. Hospedado no ASI:Cloud a US$ 0,03 por milhão de tokens de entrada, saída grátis (docs da CUDOS).
As flags de ambiente do runtime (DJEV_BIDIR_SERVE, DJEV_BIDIR) sugerem parentesco com a pilha DiffusionGemma do djev-spark. Não confirmamos.
Placares
| Placar | Situação |
|---|---|
| JevBench API (v1.7.0, medido em 21/10, segundo sorteio regular) | 1º de 48, composite 78,5; Intelligence 78,9, Calibration 90,8, Speed 85,3, Cost 64,3; p50 0,25 s; US$ 0,016 por mil decisões. Variante “thinking”: 8º, 74,5 (Intelligence 80,0, p50 0,89 s) |
| Decision Index | Sem linha (dados do Space de 22/10) |
| Artificial Analysis | Sem linha (14 de 17 modelos, sem mudança) |
A rodada do JevBench foi num endpoint hospedado que viu as entradas seladas (regra do placar de API). O kettei-fat ainda tem Intelligence maior (79,8) e o maior Capability Score (86,3 contra 84,9).
Limites que o fornecedor lista
- As respostas podem mudar com edições que mantêm o sentido, como a ordem das chaves do JSON ou das opções.
- Às vezes erra com confiança em contas de data e dinheiro com vários passos; thinking em todas as perguntas resolve parte disso.
- Dados de treino centrados em inglês. Imagens passam pelo caminho de visão do modelo base, sem ajuste fino em imagem.
Alegações do autor (UnverifiedClaim)
- Ajuste fino em dados de decisão com licença permissiva e sintéticos; nenhum item de teste de benchmark no treino (fonte)
- Testado com 151 opções numa pergunta e até 64 perguntas por chamada (fonte)
Notas (do zero, 26/10/2026)
- Capability 8,1 = tipos 10 × 0,30 + calibração 7 × 0,25 + latência 7 × 0,25 + acurácia 8 × 0,20 = 3,00 + 1,75 + 1,75 + 1,60 = 8,10. Calibração 7: eixo do JevBench 90,8 (≥ 90). Latência 7: p50 do placar 0,25 s. Acurácia: 8 × 78,9 ÷ 63,6 = 9,9, limitada a 8 (uma fonte independente; não é 1º no Decision Index).
- Maturidade 6,0 = disponibilidade 8 × 0,30 + docs 7 × 0,25 + integrações 4 × 0,25 + suporte 4 × 0,20 = 2,40 + 1,75 + 1,00 + 0,80 = 5,95 → 6,0.
- Adoção 1 = engajamento 2 × 0,35 + ecossistema 1 × 0,35 + produção 0 × 0,30 = 1,05 → 1.