FrontiersMind lança o Lumma-Fev-v2: 4B e 27B com atenção bidirecional, 0.1B e 0.6B na sequência

Fonte · Ficha do modelo: Lumma-fev

publicado (OK do Fabricio 30/10 BRT).

A FrontiersMind publicou o Lumma-Fev-v2 em 29/10/2026. Saíram dois modelos Apache-2.0: o Lumma-fev-27B-v2 (fine-tune completo do Qwen3.8-27B) e o Lumma-fev-4B-v2 (Qwen3.5-4B). Um 0.1B, sobre a base Nandi-Mini-150M da própria empresa, apareceu na coleção em 30/10; o 0.6B ainda “vem aí”.

O que mudou. No 27B, as camadas de atenção completa agora leem o prompt nos dois sentidos, e as camadas Gated DeltaNet continuam causais. Por isso ele exige lumma-fev 0.3 ou mais novo. O volume de treino quase triplicou (~300K amostras, eram ~100K) e o treino foi feito no decisionformer, a biblioteca da própria FrontiersMind. A interface é a mesma: noul e choice treinados, score aceito mas não testado, contexto de 8.192 tokens e lumma-fev-serve falando /v1/systemone.

Números do autor (UnverifiedClaim). Acurácia média em oito benchmarks públicos: 87,3% no 27B-v2 e 82,4% no 4B-v2, contra 81,2% do Jev 1.13.0 nas mesmas linhas. O Jev ainda ganha em BBH (91,1 vs 83,9) e JudgeBench (80,6 vs 77,4), e o blog admite. ECE agregado de 0,010 (27B) e 0,004 (4B) contra 0,091 do Jev; um conjunto interno em línguas indianas (400 linhas traduzidas pelo Claude) dá 87,7% contra 79,7%. O post de lançamento fala em “Top 3 no Decision Index, com o PR esperando merge”.

O que os placares mostram (30/10). O Decision Index 0.4.1 só tem a v1 (Lumma-fev-27B, Full 59,97, #50). Nenhuma linha da v2 no Decision Index, no JevBench ou no Artificial Analysis por enquanto, então o “Top 3” segue como claim até o PR entrar.

Nota. A ficha do Lumma-fev mantém as notas (5,1 / 6,1 / 22) até existir linha em placar.