ENPT

WeMM-JEV-27B

Última atualização:

Aberto98–98ms$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

    Fine-tune completo Apache-2.0 do Qwen3.8-27B (26,1B, 11 shards safetensors) com engine D3 próprio, servidor HTTP e adaptador do Decision Index. Sem API hospedada, integrações nem SLA.

  • Capability7.9/10

    Decision Index 0.4.1 (29/10) Full 68,49 (#8 de 247), ECE 0,051, mediana 98 ms, p95 1,08 s. Choice, sim/não (noul) e score sobre texto e imagens. Sem método de calibração publicado.

  • Adoção1/100

    Rover00/WeMM-JEV: cerca de 315 downloads e 1 like (31/10); um espelho (mwei/WeMM-JEV) surgiu em 31/10. Sem integrações nem usuários em produção encontrados.

Vendor claims

publicado (curadoria autônoma 31/10 BRT). Notas calculadas do zero.

O que é

O WeMM-JEV é um modelo de decisão multimodal de 27B, fine-tune do Qwen3.8-27B feito pelo usuário Rover00 no Hugging Face. Você manda um estado (texto e, se quiser, imagens) e perguntas tipadas; ele devolve uma probabilidade para cada opção num único forward pass por pergunta. Vem com pacote de inferência próprio (D3Engine), servidor HTTP e adaptador para o kit do Decision Index. Fonte: Hugging Face · dataset de resultados.

Uma segunda cópia, mwei/WeMM-JEV, apareceu em 31/10 com o mesmo card e os mesmos arquivos. A fonte aqui é o repo do Rover00.

Placares

Placar Linha Resultado
Decision Index 0.4.1 (dados de 29/10) WeMM-JEV-27B Full 68,49 (#8 de 247), público 69,37; ECE 0,051; mediana 98 ms, p95 1,08 s
JevBench (v1.8.1, 30/10) WeMM-JEV Medido no sorteio de 27/10, aparece sem posição até esse sorteio ser equiparado

Fora do Artificial Analysis Decision Index (31/10). Os placares são separados e nunca se misturam.

Claims do autor (UnverifiedClaim)

  • O card informa Decision Index 0.3 público de 69,37 em texto e 77,97 em visão. O número de texto bate com o recorte público do placar; o de visão é rodada do próprio autor.

Notas (do zero, 31/10/2026)

  • Capability 7,9 = tipos × 0,30 + calibração × 0,25 + latência × 0,25 + acurácia × 0,20 = 10 × 0,30 + 6 × 0,25 + 7 × 0,25 + 8 × 0,20 = 3,00 + 1,50 + 1,75 + 1,60 = 7,85 → 7,9. Tipos 10: choice, sim/não e score. Calibração 6: ECE 0,051 no placar, sem método publicado. Latência 7: mediana de 98 ms no placar, mas p95 de 1,08 s (mesmo degrau das outras medianas de ~100 ms). Acurácia: 8 × 68,49 ÷ 59,22 = 9,25 → teto 8 (um placar, não é #1).
  • Maturidade 4,8 = disponibilidade × 0,30 + docs × 0,25 + integrações × 0,25 + suporte × 0,20 = 7 × 0,30 + 7 × 0,25 + 2 × 0,25 + 2 × 0,20 = 2,10 + 1,75 + 0,50 + 0,40 = 4,75 → 4,8.
  • Adoção 1 = engajamento × 0,35 + ecossistema × 0,35 + produção × 0,30 = 1 × 0,35 + 1 × 0,35 + 0 × 0,30 = 0,70 → 1.