Robocikowo>ROBOCIKOWO
SII-Decision-27B

SII-Decision-27B

27B · Rodzina: SII-Decision
Otwartowagowy model decyzyjny 27B (rodzina SII-Decision) generujący ustrukturyzowane decyzje JEVal w jednym przebiegu metodą First-Token Decision Readout.
🔬 Research🔬 Research only⚖ Open sourceLLMWyspecjalizowane AI📁 SII-Decision
Parametry
27B
parametrów
Dostęp:DownloadWdrożenie:💻 Lokalnie

Przegląd

SII-Decision-27B to otwartowagowy model decyzyjny o 27 miliardach parametrów, należący do rodziny SII-Decision. Powstał jako fine-tune modelu Qwen3.8-27B i jest przeznaczony do szybkich, ustrukturyzowanych decyzji w formacie JEVal: wyboru jednej z opcji, osądu binarnego oraz przydzielania oceny.

Model wykorzystuje metodę First-Token Decision Readout, która ogranicza rozkład prawdopodobieństwa kolejnego tokena otwartowagowego LLM wyłącznie do dozwolonych etykiet opcji i zwraca decyzję w jednym przebiegu w przód, bez rozwijania pełnego rozumowania.

Trening opiera się na technice Reasoning-to-Readout Self-Distillation: readout uczy się dopasowywać do rozkładu, do którego model dochodzi po rozumowaniu, bez potrzeby etykiet referencyjnych (gold labels) i bez silniejszego modelu-nauczyciela. Dostępne są warianty z pełną aktualizacją wag oraz z LoRA.

W benchmarku JEVal wariant 27B osiąga dokładność 79,24%, ECE 0,0149 (najniższy błąd kalibracji spośród 25 testowanych konfiguracji) oraz surowy wynik Brier 0,279. W symulacji społecznej SocioBench model uzyskuje 39,87% dokładności przy 8,36 s na przykład, a w ElectionSim poprawnie wskazuje 47 z 51 stanów i 12 z 15 stanów wahających się (battleground).

Model opracował zespół Shanghai Innovation Institute (SII) we współpracy z Uniwersytetem Fudan, Uniwersytetem Tongji, King's College London oraz Chińskim Uniwersytetem w Hongkongu. Wagi i kod udostępniono na licencji Apache-2.0 (dziedziczonej po bazowych wagach Qwen).

Klasyfikacja
LLMWyspecjalizowane AI
Rodzina: SII-Decision
Dostęp i wdrożenie
Pobieranie
Lokalnie
Wagi: Open source
Kluczowe parametry
🧩 Parametry: 27B
📥 Wejście: tekst

Specyfikacja techniczna

Parametry
27B
parametrów
Licencja
Apache-2.0
Modalności
⬇ Wejście (Input)
text
⬆ Wyjście (Output)
structured_datatext

Możliwości i zastosowania

Natywne możliwości modelu
Podejmowanie decyzji
Zdolność wyboru najlepszej opcji spośród zdefiniowanego zbioru możliwości na podstawie stanu wejściowego, zwykle z oszacowaniem prawdopodobieństwa dla każdej opcji.
Kategoria: reasoning
Klasyfikacja
Przyporządkowanie obserwacji do jednej z predefiniowanych klas (binarna lub wieloklasowa). Wynik: etykieta klasy oraz opcjonalnie prawdopodobieństwa.
Kategoria: other
Wyjście strukturyzowane
Generowanie danych w ustrukturyzowanych formatach, np. JSON.
Kategoria: structured_generation
Przestrzeganie instrukcji
Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.
Kategoria: language
Rozumowanie
Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.
Kategoria: reasoning

Wyniki benchmarków

5 benchmarków
JEVal
accuracy · First-Token Decision Readout; wariant SII-Decision-27B
79.24%
📄 paper
JEVal
ECE · Najniższy błąd kalibracji (Expected Calibration Error) z 25 konfiguracji; wariant 27B
0.0149
📄 paper
JEVal
Brier score (raw) · Surowy wynik Brier; wariant 27B
0.279
📄 paper
SocioBench
accuracy · Symulacja społeczna; 8,36 s na przykład; wariant 27B
39.87%
📄 paper
ElectionSim
poprawne stany · Poprawnie wskazane stany (12/15 battleground); wariant 27B
47/51
📄 paper

Architektura techniczna

Rdzeń architektury (Core Architecture)
Forma modelu (Model Form)
Techniki trenowania (Training Techniques)