SberAI 发 FRIDA-Decisions：一次编码器前向做完决策，0.893 与商业 API 打平、消费级显卡可跑
ai-forever（УЭСМО / SberAI）发布 FRIDA-Decisions：不做生成、不产 token、不需要解析输出，一次编码器前向直接给结构化决策——在 K 个选项里选一个、把文本放到序数刻度上、答是/否，或给候选排序。它建在自家 T5 编码器 FRIDA 上（823M 参数），所有选项作为文本写在请求里，所以换一套标签集只是换一个 JSON，不用重新训练。
数字给得比较实：俄语评测 razvilka（735 题）得 0.893，是它跑过的开源模型里最高的，与商业 API TypeSafe Jev 的 0.897 在统计上持平（配对 McNemar p=0.84）；RTX 5060 Ti 上单请求 28–34 毫秒（约 400 token 文本、1–3 个问题），整个 razvilka 评测的 PyTorch 峰值显存 1.8 GiB，另有 int8 ONNX 版可跑 CPU；同一段文本的追问只花问题本身的 token，243 个意图的目录一次答完 0.44 秒，而「每个选项一条序列」的做法要 4.65 秒；vLLM 服务端在单张 5060 Ti、8 请求并发下约 60 请求/秒。
为什么值得单独看：决策模型这一支的卖点一直是「省掉生成与解析」，而 FRIDA 走的是编码器路线（不是拿 Qwen 这类解码器基座做适配器），把全流程压到 1.8 GiB 显存与毫秒级延迟。边界：官方基准是单一俄语数据集（735 题），非英语能力未给；与商业 API 的对比是同题同表、非第三方复现；BAR 图与延迟表条件由官方标注。
核验记录
日期由两个独立官方时间戳同日互证：HF 仓库 ai-forever/FRIDA-Decisions createdAt 2026-10-02T08:00:28Z（likes 28 / downloads 312），GitHub 仓库 ai-forever/FRIDA-Decisions created_at 2026-10-02T09:41:14Z（stars 14、无 release），两者相隔约 1 小时 41 分、同为 10-02。模型卡 README 全文 12,894 字符逐字读过（razvilka 0.893 / TypeSafe Jev 0.897 / McNemar p=0.84 / 28–34 ms / 1.8 GiB / 243 意图 0.44s 对 4.65s / ~60 req/s / 823M T5 编码器 / MIT 许可均取自该卡）。未直读：Sber 官方新闻稿（未检索到）、razvilka 数据集页逐题明细、第三方复现。配图 HF social-thumbnail，裸请求与带 Referer 双 200。
← 上一篇Reka 开源 RIDM：用游戏视频学出的逆动力学模型，给真实视频自动打动作标签下一篇 →openJiuwen 开源 X-Router：自演进模型路由，PinchBench 成本降 44.6% 而得分只差 0.66 分