MediaPipe Decision Maker
⚠️ Por que não é um modelo
Tarefa on-device sobre EmbeddingGemma, Laya, GLiNER2.5-Decide e Gemma 4. Não treina nem publica pesos de decisão próprios.
Especificações técnicas
- LLMs base
- EmbeddingGemma 2, EmbeddingGemma 1, Laya, GLiNER2.5-Decide, Gemma 4 E2B, Gemma 4 E4B
- Tipos de decisão
- choice, score, boolean
- Features
- on-device, prewarm, multimodal, jev-json, android, ios, python, web
- Licença
- Tarefa do Google AI Edge; cada backend mantém a própria licença
Links
O guia do MediaPipe Decision Maker (página marcada “Last updated 2026-10-06 UTC”) é uma tarefa on-device para perguntas estruturadas. Devolve o rótulo vencedor, uma distribuição de probabilidade e, em rubricas, um score esperado. Não gera texto.
Os tipos são ChoiceQuestion, BooleanQuestion e ScoreQuestion. evaluateJson aceita um payload no formato do Jev (state mais questions com choice, noul e score) e também mapeia campos simples de JSON Schema da OpenAI (enum, boolean, faixa de inteiro) nesses primitivos. Há guias para Android, iOS, Python e Web.
Os backends documentados são EmbeddingGemma 1 e 2 (bi-encoder), Laya e GLiNER2.5-Decide (cross-encoder) e Gemma 4 E2B e E4B (um prefill). Nos backends de embedding, prewarm embute e faz whitening das opções uma vez; as chamadas seguintes pontuam um contexto novo contra esse cache. A tarefa pode compartilhar um UniversalEmbedder que já exista. As entradas podem ser texto, imagem ou áudio a 16 kHz, inclusive nas próprias opções.
As linhas de latência e memória do Google nessa página (“ultra-low latency”, “bundle de 157 MB”, “0 MB de RAM extra” ao compartilhar um embedder) são claims do vendor. A tarefa não é um modelo de decisão treinado novo: os pesos são do backend que você carrega.
Por que entra como runtime. A mesma pergunta do Ollaya e do SemIf: não há checkpoint de decisão próprio. Um fine-tune como o EmbeddingGemma 2 Typed Decision é um modelo separado no catálogo; esta tarefa pode rodar o EmbeddingGemma 2 base com matching zero-shot de opções, que é outro artefato.
