ENPT

Trio-Spark

Última atualização:

Beta510–933ms$0.042/M input

Notas do quadrante

Ver o quadrante completo

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

  • Maturidade4.9/10

    API hospedada self-serve com ids de modelo versionados (v1.0–v1.3) num /v1/models público, referência REST e guia visual/System One. Agora serve /v1/systemone, então requisições no formato System One valem. Sem integrações de terceiros, sem SLA; os docs da plataforma exigem login.

  • Capability5.9/10

    A v1.3 lista Choice, Score e Noul (os docs públicos só mostram exemplos de Choice) e entrada de imagem e vídeo amostrado. ECE 0,019 e 90,9% num painel de dez tarefas em que o modelo treinou, vs 90,0% do Jev. Parede 0,5–0,9 s, +85 ms na v1.3. Tudo rodado pelo vendor; sem Decision Index nem JevBench.

  • Adoção5/100

    Lançado em 30/09/2026. Post principal ~6 likes / 399 views; quotes do fundador e da IoTeX ~240 e ~185 likes. Repo com 3 estrelas, card no HF com 0 downloads. Sem HN nem imprensa, sem integrações nem casos de produção. Não remedido para a v1.3.

Vendor claims

Leia antes

  1. Linhagem não divulgada. A MachineFi diz que treinou e opera o Trio-Spark, mas não publica modelo base, número de parâmetros, pesos nem método de treino. O vendor afirma que nenhuma requisição chama o Jev da TypeSafe ou outro modelo de decisão de terceiros na inferência (referência da API, resposta no hub). É claim do vendor que não conseguimos verificar.
  2. Mesmo preço da revenda do Jev. US$ 0,042 por milhão de tokens de entrada, saída grátis, é exatamente o preço de tabela do Jev 1.13 e o preço pelo qual a QuickSilver Pro, serviço do mesmo fundador, revende o Jev. A MachineFi chama isso de “intentional category-reference launch pricing”.
  3. Enviado pelo vendor. A listagem chegou pela issue #2 do hub, e a atualização para a v1.3 pelas issues #3 e #4. As três foram abertas por Raullen Chai (cofundador da IoTeX), que declarou a afiliação com a MachineFi.
  4. O claim de “sub-100ms” foi retirado. Ele apareceu num post de lançamento. A MachineFi agora diz que o número público correto é a mediana de 933 ms de parede ponta a ponta da rodada do drone (v1.0). A v1.3 soma cerca de 85 ms por requisição sobre a v1.2, segundo o próprio vendor.
  5. Todos os números desta página são do vendor (UnverifiedClaim), inclusive o painel da v1.3. O vendor diz que os dados de treino da v1.3 incluem os splits públicos de treino dessas tarefas. O S1MB #1 foi fechado em 13/10: o mantenedor recusou em 01/10 avaliar a API hospedada e disse que pode rever se os pesos forem abertos. JevBench: o vendor diz que submeteu a v1.3 em 15/10 pelo benchmarkheaven.com (referência BBAEFC3A, fila regular), como o mantenedor pediu na #166. Ainda não há score oficial.

O Trio-Spark (release atual v1.3, 15 de outubro de 2026) é um modelo de decisão hospedado da MachineFi Labs, o lab ligado à IoTeX que faz os produtos de vídeo e world model Trio. A MachineFi chama o modelo de primeiro “Situated World Model”: você manda o estado atual e os 2–8 movimentos que a sua aplicação permite, e uma passada devolve o movimento escolhido e uma probabilidade para cada opção, sem gerar texto. A v1.0 foi lançada em 30 de setembro de 2026 (post no X às 11:12 BRT); a v1.1 trouxe entrada de imagem e vídeo amostrado no mesmo dia, a v1.2 veio em 8 de outubro e a v1.3 em 15 de outubro.

Ficha

Atributo Valor
Empresa MachineFi Labs
Lançamento 30/09/2026 (11:12 BRT); release atual v1.3 em 15/10/2026
Status Beta pública self-serve. Ids de modelo trio-spark-v1.0 a trio-spark-v1.3 (o endpoint nativo mantém trio-spark-preview para clientes existentes)
Endpoints POST https://platform.machinefi.com/v1/systemone (principal) e o nativo POST https://platform.machinefi.com/api/spark/v1/decisions (inalterado)
Autenticação Chave Bearer (tf_…) do console da plataforma, mais o header obrigatório Idempotency-Key
Tipos de decisão O /v1/models do vendor lista choice, noul e score (e boolean) em todas as versões. Os docs públicos só dão exemplos de Choice (2–8 alternativas por pergunta, até 16 perguntas por requisição System One). Noul e Score não têm exemplo documentado
Entrada Texto (state mais questions tipadas), uma imagem JPEG/PNG ou uma janela de vídeo amostrado de 2–4 quadros e no máximo 30 s (v1.1 em diante). No máximo 1.024 tokens de entrada do modelo, incluindo a entrada visual, rejeitado em vez de truncado. A API não aceita MP4, RTSP nem URL de livestream
Saída Um choice e probabilities por pergunta no System One; o endpoint nativo também devolve confidence e disposition (decide / review / abstain)
Compatível com /v1/systemone Sim, desde a v1.3 (o vendor chama de subconjunto suportado do formato de imagem do System One). O endpoint nativo mantém o formato próprio
Preço US$ 0,042 por milhão de tokens de entrada cobrados, sem cobrança de saída (tokens de mídia contam como entrada), 100 decisões grátis para contas novas, recarga mínima de US$ 5
Pesos Não publicados. O repo no HF só tem o card
Parâmetros / modelo base Não divulgados (o post da v1.3 diz que os pesos servidos são de 4 bits)
Latência Tempo de parede do vendor de 0,51 s de mediana (preflight JevBench da v1.0) a 0,93 s de mediana (demo do drone da v1.0); a v1.3 soma ~85 ms sobre a v1.2; sem p99

Formato da API

O endpoint nativo de texto, inalterado desde a v1.0:

curl https://platform.machinefi.com/api/spark/v1/decisions \
  -H "Authorization: Bearer $TRIO_SPARK_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $(uuidgen)" \
  -d '{
    "model": "trio-spark-preview",
    "task": "Keep the machine safe while completing the operation.",
    "state": {"temperature_c": 84, "load_pct": 91, "vibration": "rising"},
    "choices": [
      {"id": "continue", "description": "Continue at the current speed"},
      {"id": "slow", "description": "Reduce speed and keep observing"},
      {"id": "stop", "description": "Stop the machine now"}
    ]
  }'

A resposta traz um choice_id e a distribuição completa na ordem da requisição, com um disposition que deixa quem chama mandar casos review e abstain para uma pessoa ou um fallback.

A forma System One, do guia visual do vendor, usa model: "trio-spark-v1.3", um state, questions tipadas com criteria e, opcionalmente, images ou media, e responde cada pergunta com um choice e probabilities indexadas pelos seus critérios. Diferente do endpoint nativo, ela carrega várias perguntas sobre o mesmo estado numa chamada.

Trio-Spark v1.3 (15 de outubro de 2026)

O post da v1.3 da MachineFi traz novos pesos de texto atrás da mesma API, do mesmo preço e dos mesmos limites. Tudo abaixo é claim do vendor (UnverifiedClaim).

  • Painel de dez tarefas, 2.977 decisões: a v1.3 acerta 90,9%, contra 83,1% da v1.0 e 83,0% da v1.2, e melhora sobre a v1.0 em toda tarefa em que as duas foram medidas. Nos mesmos itens, o Clef faz 90,8%, o Jev 1.13 90,0% e o Clef-Flash 91,8%. O resumo do próprio vendor é misto: a v1.3 tem a melhor nota entre os sete modelos em PubMedQA, RTE, TweetEval offensive e SNLI; em outras linhas lideram outros (Clef-Flash em seis linhas, incluindo HellaSwag, WinoGrande e Banking77; Jev em PIQA; Clef em BoolQ; Laya em AG News). A tabela do post tem 13 linhas; os 90,9% são o total do painel de dez tarefas, não um total de 13 tarefas.
  • Calibração: o erro de calibração esperado (10 bins) nesse painel é 0,019, contra 0,058 da v1.2 e 0,234 da v1.0.
  • Como foi medido: o código da API de produção com os pesos servidos em 4 bits, uma requisição por item, pares pelas APIs ou SDK oficiais em 7–8 de outubro de 2026. Requisições que a API rejeita (acima de 1.024 tokens ou barradas pelo filtro de conteúdo) contam como erro. Os dados de treino da v1.3 incluem os splits públicos de treino dessas tarefas (nenhum item de avaliação foi usado no treino), então o painel não é um teste de generalização com dados retidos.
  • Regressões declaradas: cerca de +85 ms por requisição contra a v1.2, e nota menor que a da v1.0 numa suíte interna de ações de GUI. O vendor sugere medir nas suas próprias telas antes de subir limites de automação, se o seu agente dirige uma GUI.
  • Verificado na fonte: GET /v1/models lista trio-spark-v1.0 a v1.3, com a v1.3 em release_date: 2026-10-15, entrada de texto/imagem/vídeo amostrado e contexto de 1.024 tokens. POST /v1/systemone responde 401 sem chave, então o endpoint existe. Não rodamos requisições nele (sem chave), então o comportamento de Noul e Score não foi testado por nós.

Evidências até agora (UnverifiedClaim)

  • Painel e ECE da v1.3: veja a seção acima. Rodada do vendor, em parte em tarefas nas quais o modelo foi treinado.
  • Preflight do JevBench (v1.0) (issue #166): a MachineFi rodou os itens públicos easy + original com o próprio adapter e reporta 116/120 corretos (easy 47/48, original 69/72), 120/120 distribuições válidas e ~0,51 s de mediana de parede. Os primeiros itens hard de política longa bateram no 503 retryable do gateway de produção, e a rodada parou ali. A própria MachineFi diz que é preflight, não score de leaderboard. As respostas brutas são privadas.
  • Post de lançamento da v1.0: SST-2 92,89%, AG News 88,46%, TweetEval offensive 80,58% na API de produção, com PubMedQA 85,33% no card do HF. O post de lançamento no X acrescenta mais linhas, algumas de “coverage” e não de acurácia.
  • Demos (repo): um drone (25 decisões, 0 colisões), um agente de navegador (3 chamadas, 4,0 s) e um braço robótico (13 chamadas, sucesso físico). Cada um é um patch sobre uma demo MIT do Jev com a chamada da TypeSafe trocada pelo Spark. O THIRD_PARTY.md credita os três upstreams: RomanSlack/jev-drone, browser-use/jev-ultrafast e FBddcz/embodied-jev.
  • Fora do Decision Index oficial e do leaderboard do JevBench em 15/10/2026. O S1MB recusou avaliar pela API hospedada (01/10) e fechou o pedido (13/10); a submissão da v1.3 ao JevBench está na fila regular, sem rodada publicada.

Quando usar / quando não usar

Serve quando você precisa de: uma chamada hospedada barata que escolhe uma entre poucas ações permitidas e devolve uma distribuição, opcionalmente a partir de uma imagem ou de alguns quadros de vídeo, por exemplo em loops de jogo, agentes de GUI ou controles operacionais em que o seu código já lista os movimentos válidos.

Não serve quando você precisa de: mais de oito opções por pergunta, entradas acima de 1.024 tokens, comportamento documentado de Noul ou Score, inferência local, ou um modelo cuja linhagem e acurácia você consiga checar de forma independente.

Limites

  • Beta sem SLA e sem integrações de terceiros.
  • Modelo base, tamanho, arquitetura e treino não foram divulgados, então não dá para saber contra o que as probabilidades estão calibradas.
  • O limite de 1.024 tokens de entrada já derruba itens longos do JevBench, e requisições rejeitadas contam como erro no painel do vendor.
  • Noul e Score aparecem no /v1/models do vendor, mas não são demonstrados nos docs públicos.
  • O painel da v1.3 inclui tarefas cujos splits públicos de treino estavam nos dados de treino, e todos os números de benchmark e latência são rodadas do vendor (UnverifiedClaim). Os scores serão revistos quando o JevBench publicar uma rodada.

A MachineFi apresenta o Trio-Spark como modelo de decisão treinado por ela, e ele tem API tipada pública e documentada que devolve uma probabilidade para cada opção e, desde a v1.3, fala o formato /v1/systemone. Isso passa nos critérios do catálogo do mesmo jeito que o Jev hospedado e o d1. Como a linhagem não foi divulgada e a listagem veio do vendor, ele continua com as ressalvas acima e scores provisórios. Se ficar claro que roda outro modelo por baixo, vai para runtimes.