O Hugging Face detalhou em um post de blog o conceito de modelos de decisão: sistemas que recebem um estado e um conjunto de perguntas e devolvem decisões tipadas com probabilidades, sem gerar texto token a token. A empresa diz que o Transformers agora oferece DecisionPipeline, AutoModelForDecision e DecisionConfig, que o llama.cpp expõe o mesmo endpoint e que o Hub tem uma tag dedicada para descobrir modelos compatíveis. O texto também reconhece que o espaço é jovem e que cada modelo decide de forma diferente internamente.
O Hugging Face publicou um artigo de blog descrevendo o que chama de modelos de decisão: sistemas que recebem um contexto e um conjunto de perguntas com respostas predefinidas e devolvem uma decisão estruturada com probabilidades, sem gerar texto token a token. A publicação é assinada pelo blog da empresa e tem data de 10 de novembro de 2026.
O texto parte de um exemplo de atendimento ao cliente. Diante da mensagem de alguém cobrado duas vezes pela assinatura, o sistema precisa saber qual equipe deve tratar o pedido, qual a urgência e se o cliente quer reembolso. Em vez de pedir a um modelo de linguagem que devolva um JSON com essas respostas, a proposta é que o modelo avalie diretamente as opções disponíveis e retorne uma distribuição de probabilidades sobre elas.
Como o modelo de decisão funciona
Segundo o artigo, um pedido a um modelo de decisão tem dois componentes: o estado, que é a informação a ser avaliada, e as perguntas, que descrevem o que se quer saber sobre esse estado. O estado pode ser uma string, um objeto JSON estruturado ou outras modalidades, no caso de modelos omni-modais compatíveis.
A publicação descreve três primitivas fundamentais. Choice seleciona uma entre várias respostas possíveis, com um logit por opção convertido em probabilidade por softmax. Score avalia algo em uma escala ordenada e retorna o valor esperado da distribuição, e não apenas o nível mais provável. Noul responde a uma pergunta binária devolvendo a probabilidade de a resposta ser verdadeira, com base na distribuição de Bernoulli.
O texto também explica o campo confidence, retornado para Choice e Score. A confiança normaliza a maior probabilidade em relação ao número de opções disponíveis: uma distribuição uniforme tem confiança zero e uma distribuição concentrada em uma única opção tem confiança um. No exemplo do artigo, uma probabilidade vencedora de 0,99 em três opções resulta em confiança de 0,98.
O artigo atribui a origem do conceito à TypeSafe AI, que apresentou o Jev como um modelo System One, em referência à distinção entre pensamento rápido e intuitivo e pensamento lento e deliberativo. Segundo o post, a comunidade passou a usar o termo modelo de decisão por descrever o papel computacional do modelo, e não uma teoria da cognição.
Diferença em relação à classificação tradicional
O texto compara a abordagem a classificadores convencionais e à classificação zero-shot. Em um classificador tradicional, as classes ficam fixas na cabeça de classificação, o que exige modificar a cabeça e retreinar o modelo para adicionar uma nova categoria. Na classificação zero-shot, os rótulos candidatos são fornecidos na inferência, muitas vezes convertendo cada rótulo em uma hipótese avaliada por um modelo de inferência de linguagem natural.
A publicação argumenta que modelos de decisão não inventaram rótulos definidos em tempo de execução nem classificação probabilística. A diferença, segundo o texto, é organizar essas capacidades em uma interface consistente, com várias perguntas nomeadas sobre o mesmo estado, tipos de resposta diferentes e a possibilidade de arquiteturas e treinamentos otimizados especificamente para decisões.
O artigo também lista problemas da alternativa de pedir a um modelo de linguagem que devolva um JSON. Entre eles estão a falta de garantia de que o modelo siga o esquema solicitado e o custo computacional extra de técnicas de decodificação restrita, como Outlines e XGrammar, além do trabalho desnecessário de gerar uma resposta inteira quando a aplicação só precisa escolher entre respostas predefinidas.
Suporte no ecossistema e limites
O Hugging Face afirma que o Transformers agora suporta DecisionPipeline, AutoModelForDecision e DecisionConfig, classes com estrutura semelhante às pipelines e aos modelos já existentes na biblioteca. O texto também menciona um endpoint /v1/systemone e diz que as APIs funcionam com modelos de linguagem autorregressivos compatíveis, avaliando os logits dos rótulos em uma passagem em lote e aplicando softmax sem gerar texto.
Segundo a publicação, o llama.cpp também suporta modelos de decisão pela mesma API /v1/systemone, com servidor padrão na porta 9931. O Hub, por sua vez, ganhou uma tag dedicada para descobrir modelos compatíveis, que podem se basear em arquiteturas de encoder como o ModernBERT ou em backbones generativos maiores.
Sobre treinamento, o artigo diz que, por estarem integrados ao Transformers, os modelos de decisão podem ser ajustados com a Trainer API. O texto traz um exemplo pequeno de ajuste do JEV-9B para rotear pedidos de suporte, no qual cada exemplo é um pedido de decisão com a resposta correta e a perda é uma entropia cruzada simples sobre as opções.
O post afirma que suporte de primeira classe ao treinamento está chegando ao TRL, mas ressalva que o pull request ainda estava aberto na data da publicação. Também cita uma receita do Unsloth para transformar um modelo de linguagem generativo, como o Qwen, em modelo de decisão com LoRA e uma cabeça de pontuação de decisão.
O próprio artigo reconhece incerteza: descreve o campo como jovem e em rápida evolução, com cada modelo decidindo de forma diferente internamente, por meio de cabeças que pontuam o esquema inteiro, leituras separadas sobre backbones de modelos de linguagem ou variantes multimodais e de pequeno porte. A aposta do Hugging Face é separar a interface comum da implementação interna, para que motores de inferência, o Hub e ferramentas de treinamento possam ser construídos uma vez só.
A conclusão do texto é que modelos de decisão não são interessantes porque a classificação seja nova, mas porque tornam decisões e probabilidades saídas de primeira classe para software, combinando interface tipada, pontuação não generativa e a possibilidade de treinamento especializado para decisões confiáveis e calibradas.
Fonte original: Hugging Face: Decision Models in Hugging Face.
Receba o Jornal da IA todos os dias
As notícias de inteligência artificial que importam no Brasil, com o nosso prisma e sempre com as fontes. Grátis.



