Vega

Última atualização: 19 de outubro de 2026

Aberto22–280ms$0/M input

Notas do quadrante

Ver o quadrante completo

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

Maturidade4.8/10
0,8B e 4B no mesmo repo: backbone Qwen3.5 congelado mais engine treinado (57 / 124 MB) e adapters; roda numa T4 ou num Mac. A metadata do Hub agora diz Apache-2.0, mas o repo não tem arquivo LICENSE. Scripts de API próprios, sem servidor /v1/systemone. Autor solo.
Capability5.9/10
Choice, boolean e score com imagens e contexto de 73.728 tokens. JevBench de pesos abertos (independente): 4B com Intelligence 16,7, calibração 58,7, p50 0,19 s; 0,8B com Intelligence 3,1. As tabelas do próprio card mostram o Vega atrás do Jev (JevBench 0,662 vs 0,866). Vitórias do autor em tarefas escolhidas.
Adoção2/100
Cerca de 724 downloads e 37 likes em oito dias; o post de comparação de 15/10 teve cerca de 790 likes e 25 mil views. Sem integrações ou usuários de produção.

Vendor claims

4B: soft accuracy 0,725 e erro de calibração 0,019 no teste do LocalLLaMA/typed-decisions (0,8B: 0,680 / 0,026); 0,267 s por decisão de ponta a ponta numa T4[Claim do fornecedor — não verificado independentemente]
Post de 15/10: o Vega 0,8B vence o Jev em phishing (75,4% vs 61,9%, 800 e-mails) e tópicos de notícias (95,5% vs 80,6%), 74 ms vs 162 ms por decisão, erro de calibração 0,06 vs 0,22; o texto do post fala em 75 ms num Apple M5[Claim do fornecedor — não verificado independentemente]
Vega-U: acurácia held-out de 0,811 com o leitor de 27B (erro de calibração 0,021, AURC 0,053), 0,791 (4B), 0,765 (0,8B), 0,738 (Gemma 3 1B); um motor de 14,3M compartilhado entre leitores[Claim do fornecedor — não verificado independentemente]

Notícias sobre este modelo

Vega-U: um motor de 14,3M com uma porta para cada leitor congelado, do autor do Vega

Licença: confira antes de usar. Em 9–10/10 o repo não declarava licença. Em 12/10 a metadata do Hugging Face diz apache-2.0, mas ainda não há arquivo LICENSE no repo e o texto do card não traz termos. Trate o Apache-2.0 como declarado só na metadata.

O modelo de linguagem fica congelado; o que se treina é um “engine” (14M parâmetros no 0,8B, 31M no 4B) mais pequenos adapters de tarefa. States longos são divididos em 16 pedaços e agregados. O 4B fica em 4b/ no mesmo repo (vegaml.load("4b")). Saiu da lista de observação para o catálogo em 12/10: o engine é peso de decisão treinado.

Resultado independente e a comparação de 15/10 (17/10/2026)

publicado (OK do Fabricio 17/10 BRT).

O post. Em 15/10 o autor publicou a tabela “vega vs Jev vs laya” (X), com o Vega 0,8B à frente em phishing (75,4% vs 61,9% do Jev), tópicos de notícias (95,5% vs 80,6%), erro de calibração (0,06 vs 0,22) e latência (74 ms vs 162 ms). O texto do mesmo post diz “75 ms em Apple M5 16 GB”. Tudo isso é UnverifiedClaim. As respostas pedem o link, a latência fria vs quente e a quantização; nenhuma foi respondida nas respostas que conseguimos ler. O post admite que o laya ganha em velocidade (28 ms) e que o Jev ainda lidera em tool calling agêntico.

O que o card diz. As linhas de phishing (800 e-mails, pareadas item a item com o Jev 1.13.0) e de tópicos de notícias (ag-news no S1MB) estão no card, que as descreve como “as tarefas escolhidas porque o Vega lidera nelas”. Os 74 ms são de uma T4 para o 0,8B (o 4B tem 106 ms), não de um M5. As tabelas mais amplas do card são menos favoráveis: no menu público de 43 tarefas o Vega 4B tem 0,717 de acurácia contra 0,836 do Jev; no JevBench (231 itens) 0,662 contra 0,866, e 0,513 contra 0,730 no nível difícil. Não achamos no card os números de calibração do post (0,06 vs 0,22); o ECE do próprio card no JevBench é 0,169 para o 4B e 0,067 para o Jev. O contexto de “32.000” do Jev no post é o limite padrão por pergunta; o Jev permite 64k por request e 262k com o header de contexto longo.

Placares independentes. O JevBench de pesos abertos (draw v1.6.9) lista os dois tamanhos:

	Capability	Intelligence	Calibração	p50 (self-hosted, na GPU)	Custo / 1.000 decisões
Vega 4B	37,7	16,7 (abaixo do gate do placar)	58,7	0,190 s	US$ 0,058
Vega 0,8B	33,0	3,1 (abaixo do gate)	62,9	0,085 s	US$ 0,019
Jev 1.13 (referência)	77,1	63,6	90,6	0,24 s (API)	US$ 0,032

Os 0,085 s do 0,8B no placar são coerentes com os 74–85 ms do autor numa GPU; não dizem nada sobre um Apple M5. O Vega não está no Decision Index (só o “Decision 2.0 Vega 27B” da vLLM-SR, que não tem relação). Na medição independente os modelos ficam bem abaixo do Jev, como os números do próprio card no JevBench também mostram.

Conta anterior das notas (12/10/2026, sobre o 4B; superada acima)

Maturidade = 7 × 0,30 + 7 × 0,25 + 3 × 0,25 + 1 × 0,20 = 2,10 + 1,75 + 0,75 + 0,20 = 4,80 → 4,8
Capability = 9 × 0,30 + 7 × 0,25 + 6 × 0,25 + 5 × 0,20 = 2,70 + 1,75 + 1,50 + 1,00 = 6,95 → 7,0
Adoção = 4 × 0,35 + 1 × 0,35 + 0 × 0,30 = 1,40 + 0,35 + 0 = 1,75 → 2

Disponibilidade 7 porque a licença é só tag de metadata, sem arquivo LICENSE. Latência 6 e acurácia 5: só números do autor.

Atualização da nota (17/10/2026)

Acurácia, calibração e latência agora têm evidência independente; tipos e os demais pilares ficam.

Capability 7,0 → 5,9 = tipos 9 × 0,30 + calibração 4 × 0,25 + latência 7 × 0,25 + acurácia 2 × 0,20 = 2,70 + 1,00 + 1,75 + 0,40 = 5,85 → 5,9.
Acurácia 5 → 2: Intelligence 16,7 no JevBench de pesos abertos contra 63,6 do Jev, e a tabela do próprio card concorda na direção (0,662 vs 0,866). Calibração era 5 na conta de 12/10 e agora é 4: eixo de calibração do placar 58,7 contra 90,6, e o ECE do próprio card (0,169 no JevBench) contradiz o 0,019 do teste de typed-decisions. Latência 6 → 7: o placar mediu 0,190 s de p50 na GPU (4B), sem p99 (precedente de p50 self-hosted medido pelo placar).
Maturidade 4,8 inalterada. Adoção 2 inalterada (engajamento 6 × 0,35 + ecossistema 1 × 0,35 + produção 0 = 2,45 → 2).

Vega-U: um motor para vários leitores (18/10/2026)

publicado (OK do Fabricio 18/10 BRT).

Em 17/10 o autor liberou o nandakishorm/vega-U (Apache-2.0 nos metadados do Hub; 12 downloads e 5 likes em 18/10) e o anunciou no X em 18/10, junto com uma nova empresa, a Embedding Space. É um motor de 14,3M de parâmetros (cerca de 57 MB) compartilhado entre leitores congelados, cada um com uma pequena porta linear: Qwen3.5-0.8B (na raiz do repositório), Qwen3.5-4B, Qwen3.8-27B e gemma-3-1b-it. Roda pelo vegaml 0.11 ou mais novo (Apache-2.0, 265 estrelas).

Números do autor (UnverifiedClaim). Acurácia held-out de 0,811 com o leitor de 27B (erro de calibração 0,021, AURC 0,053), 0,791 com o de 4B, 0,765 com o de 0,8B e 0,738 com o Gemma 1B; o tipo de score ordinal fica perto de 0,61. O split do 27B é limitado a 400 registros por fonte. O post no X diz que o adaptador serve para modelos “0.8B, 4B, 9B, or 27B”; não achamos porta de 9B no repositório.

Notas inalteradas (4,8 / 5,9 / 2). O Vega-U não está em nenhum placar e nenhum terceiro o rodou. O resultado independente desta ficha (JevBench de pesos abertos, Intelligence 16,7 no 4B) continua valendo. Veja a news.

Atualização, 19/10/2026 (publicado (OK do Fabricio 19/10 BRT)): Vega-U no JevBench. O placar de pesos abertos (draw v1.6.29) agora lista o Vega-U com o leitor Qwen3.5-0.8B: capability 36,5, Intelligence 5,5, calibração 67,5, p50 0,695 s, US$ 0,012 por 1.000 decisões. Fica fora do limite de latência do placar (2,5× o Jev) e não recebe posição oficial. Comparado aos 0,765 de held-out que o autor dá para o mesmo leitor, repete a distância que vimos no 4B. Notas inalteradas (4,8 / 5,9 / 2): a ficha é pontuada no 4B, cujo resultado no placar já pôs a acurácia em 2.