Tasksource-JEV-Nano-v0
Notas do quadrante
Ver o quadrante completoPontuação pela rubrica pública do quadrante (maturidade × capability; bolha = adoção). Revisamos conforme a evidência.
- Maturidade4.6/10
Pesos Apache-2.0 e card claro com inferência reprodutível via pylate. Sem servidor /v1/systemone, sem PyPI próprio, sem SLA hospedado. Release de um dia no Hugging Face.
- Capability5.8/10
choice / noul / score de primeira classe, temperature aprendida 0,53 e scoring MaxSim independente de ordem. Sem p50/p99; benches do autor no meio do pelotão frente a peers GLiClass/GLiNER nos mesmos 1k samples.
- Adoção7/100
Dia do lançamento: 2 likes no Hugging Face, 0 downloads na checagem. O dataset companheiro e a org tasksource dão um sinal fraco de ecossistema; sem reports de produção.
Vendor claims
- Typed Decisions 42,6%; AG News 73,8%; Emotion 49,0%; Banking77 44,7%; Fast Decisions 41,3% exact; classifier-benchmark v2 57,5 micro / 57,2 macro (1k samples cada, protocolo do autor)[Claim do fornecedor — não verificado independentemente]
- Tasksource unseen tasks 58,9%; unseen test tasks 53,0% (checkpoint selecionado em tasks unseen no passo 4000/8000)[Claim do fornecedor — não verificado independentemente]
- Saídas exatamente permutation-equivariant; encoding da situação pode ser cacheado entre conjuntos de candidatos[Claim do fornecedor — não verificado independentemente]
- Fine-tune em 512k decisões reais em 519 tasks (mix choice / noul / score); sem modelo teacher[Claim do fornecedor — não verificado independentemente]
Notícias sobre este modelo
Tasksource-JEV-Nano-v0 é um modelo de decisão open pequeno que pontua opções com late interaction multi-vetor. Você passa uma situação (state + question) e uma lista de candidatos para choice, noul ou score; ele devolve um softmax sobre scores MaxSim. Não gera texto e não é produto da TypeSafe.
É um fine-tune do LateOn da LightOn (~149M) carregado via PyLate / encoders estilo ColBERT. A situação é encoded uma vez em vetores de token e reutilizada em todo conjunto de candidatos; cada opção é encoded sozinha. O release traz temperature aprendida de 0,53.
Pesos: Hugging Face tasksource/tasksource-jev-nano-v0 (Apache-2.0). Dados de treino: tasksource/tasksource-jev-typed-decisions (tag de licença HF other — conferir antes de uso comercial). Autor: Damien Sileo. Repo HF criado em .
Specs
| Atributo | Valor |
|---|---|
| Autor | Damien Sileo / tasksource |
| Modelo base | lightonai/LateOn (~149M) |
| Readout | Late interaction ColBERT MaxSim (não é cabeça classica) |
| Calibração | Temperature aprendida 0,53 (card) |
| Tipos de decisão | choice, noul (sim/não como duas opções), score (escala ordenada) |
| Licença | Apache-2.0 (pesos); dataset com tag other no HF |
| Lançamento | |
| Runtime | pip install -U pylate torch — script encode/MaxSim no card |
TypeSafe /v1/systemone |
Não |
A latência não está publicada no card; a banda do catálogo usa 0 / 0 como sentinela de dado indisponível (mesmo padrão do GLiNER2.5-Decide).
Benchmarks do autor
Todos os números vêm do model card. São reportados pelo autor → UnverifiedClaim.
| Benchmark (1k samples, protocolo do autor) | v0 |
|---|---|
| Tasksource unseen tasks | 58,9% |
| Tasksource unseen test tasks | 53,0% |
| Typed Decisions | 42,6% |
| AG News | 73,8% |
| Emotion | 49,0% |
| Banking77 | 44,7% |
| Fast Decisions (2.900 / 17 domínios) | 41,3% exact |
| classifier-benchmark v2 | 57,5 micro / 57,2 macro |
O card também coloca o v0 ao lado de peers compactos (GLiClass / GLiNER2.5) nos mesmos 1k samples e nota que o AG News mais alto do Laya tem overlap de treino. Trate cada comparação entre peers como UnverifiedClaim até rerun independente.
Limites
- Stack custom. PyLate + MaxSim — não é
AutoModelForCausalLM, não é drop-in HTTP do Jev. - Sem tabela de latência ou ECE no card público além da temperature aprendida.
- Licença do dataset. O dataset companheiro está com tag
otherno Hugging Face; a licença Apache-2.0 dos pesos não limpa sozinha a proveniência dos dados para todo caminho comercial. - Tração dia zero. Dois likes na primeira checagem; APIs e receitas ainda podem mudar.
- Não é TypeSafe. Decisões System One multi-vetor ≠ pesos ou suporte afiliados.
Fit / anti-fit
Fit quando você precisa: de um encoder open minúsculo que cacheia a situação em muitos conjuntos de candidatos, scoring independente de ordem, ou baseline de pesquisa abaixo de 200M parâmetros.
Anti-fit quando você precisa: de compatibilidade de fio /v1/systemone, SLA hospedado, p50/p99 publicados, ou um número que você possa tratar como calibrado de frontier sem ler o card.
Por que está no catálogo
Passa no teste de pesos treinados: o LateOn foi fine-tuned em centenas de milhares de decisões tipadas reais, com choice / noul / score no mix — não é wrapper de logits em chat congelado. Pesos e receita de inferência são públicos. Fica perto de Julia-1, GLiNER2.5-Decide e Laya na faixa de encoders pequenos, com geometria de scoring diferente (late interaction em vez de cabeça classica).
Derivado: kleos-decider-nano (23/10/2026)
publicado (OK do Fabricio 24/10 BRT).
O kleos-decider-nano (Mazino0, MIT, criado em 23/10) é um fine-tune de 150M do tasksource-decider-nano para memória de agente: um fato novo substitui um antigo, contradição / duplicata / compatível, mesma entidade, relação. É o decisor embutido do banco kleos. Números do autor (UnverifiedClaim, avaliação em Rust do próprio kleos): AUROC de supersessão 0,938 → 0,991 em 66 itens; LongMemEval knowledge-update 0,386 → 0,824; MultiNLI dev 0,805 → 0,817 como checagem de esquecimento. Derivado especialista sem linha em placar, então sem ficha própria; notas desta ficha inalteradas.