Articul8 Bivia: Un modelo de decisión que puede abstenerse — y no tiene lista de precios

La línea de mayor trascendencia en la documentación de API de Bivia no es un benchmark. Es el estado. Una llamada contestada devuelve un valor, una probabilidad entre 0 y 1 y una distribución sobre las opciones que ofreciste. Una rechazada devuelve value: null, un abstain_reason y la misma distribución — el modelo diciéndote, en un campo tipado, que la evidencia no respaldaba un compromiso. Articul8 Bivia, lanzado desde Santa Clara el 28 de octubre de 2026, es un modelo de decisión multimodal en lugar de uno generativo: un HTTP POST de entrada, JSON tipado de salida, cero tokens de salida. El campo de abstención es la característica en la que más se apoya el lanzamiento, y es la característica que puedes desactivar con un único parámetro. Que ese atractivo se sostenga es una cuestión de calibración, y el punto de referencia es Jev-1.13 de TypeSafe AI — el modelo de decisión que más ha cubierto este blog, y el que ya puedes llamar mediante OrcaRouter.

Pon los dos lado a lado y la diferencia está en lo que cada modelo aceptará como entrada. Jev responde preguntas escritas sobre texto. Bivia acepta texto, imágenes, documentos, código, señales de sensores, audio y vídeo, y fundamenta su respuesta en el artefacto: un cuadro delimitador, un desplazamiento de caracteres, una marca de tiempo de vídeo. Lo que ambos proveedores comparten es un problema empresarial, no una arquitectura. Ambos se venden como una forma de dejar de pagar tarifas de modelos de frontera por juicios que se resuelven en un sí, un no, una etiqueta o un número. La versión de Articul8 de ese argumento de venta llega con una API funcional, una oferta de tokens gratuitos y ningún precio por token publicado, lo que convierte la primera decisión que Bivia te impone en una decisión contable.

Lo que Bivia realmente devuelve

La página del producto es inusualmente específica sobre el contrato, que vale la pena leer con atención porque el comunicado de prensa no lo es. Una decisión es un POST con tu clave de API en BIVIA_API_KEY; la respuesta tiene la misma estructura JSON todas las veces, que es precisamente el objetivo de una salida no generativa. Eliges una de nueve primitivas —Decide, Choice, Boolean, Score, Set, Span, Ground, Extract y «Data science»— y la respuesta se fuerza a adoptar una de cinco formas tipadas. Sin prosa, sin paso de parseo, sin una llave truncada en el token 4.000.

• Entradas — texto, imágenes, documentos, código, señales, audio y vídeo, siete modalidades a través de una única arquitectura compartida en lugar de canalizaciones independientes por formato.

• Salidas — Choice, Boolean, Score, Set y Span, cada una devuelta con una probabilidad calibrada y una distribución entre las opciones que proporcionaste.

• Modos — Fast ejecuta una decisión en una sola pasada; Deep decide y luego cuestiona su propia decisión antes de comprometerse; Fast se puede mejorar con think: true. La franja de resumen de la página dice «Fast Deep Thinking», mientras que la sección de detalles describe «Fast · Deep · Abstain», por lo que el proveedor deja sin resolver si Thinking es un cuarto modo o un interruptor en Fast.

• Rechazo — opcional. Envía allow_abstain: false y Bivia se compromete a dar una respuesta siempre, lo que elimina la salvaguarda y te deja con una probabilidad que puede ser casi cero.

• Fundamentación — las regiones, los desplazamientos y las marcas de tiempo acompañan la respuesta, de modo que una verificación posterior puede reabrir la evidencia en el píxel o el segundo exactos que utilizó el modelo.

• Idioma — más de 50, e incluye en la lista inglés, japonés, coreano, hindi, tamil, español, alemán y portugués.

La superficie de integración es más amplia de lo que suele tener una API de decisiones. Servidores MCP para Claude Code, Codex, Cursor y VS Code, una CLI y una skill de Claude, una app de escritorio flotante para macOS y Windows, extensiones de Chrome y Edge que te permiten seleccionar una región de la pantalla y preguntar sobre ella, un complemento de Google Workspace con las fórmulas =BIVIA.DECIDE, =BIVIA.CHOICE y =BIVIA.SCORE, y SDKs para Python, Node.js, Go y Rust. Nada de eso cambia lo que es el modelo. Lo que sí significa es que la prueba te cuesta un comando en lugar de un proyecto de integración.

El interruptor de abstención es el producto entero, y es lo menos medido que tiene.

La abstención es la idea correcta y la mitad más difícil de la afirmación. Una capa de decisión que adivina es peor que un modelo generativo que adivina, porque una respuesta tipada parece auditable tanto si se la ganó como si no. Así que la pregunta interesante no es si Bivia puede devolver una abstención —la API demuestra que puede—, sino si su confianza está calibrada lo suficiente como para que las negativas recaigan sobre los casos genuinamente ambiguos y los compromisos sobre los claros. Esa es una propiedad medible, y Articul8 no ha publicado una medición de ella.

Lo que existe en su lugar es trabajo independiente sobre la categoría. JEVal, un benchmark presentado en arXiv 2610.03935, evalúa 25 configuraciones de modelos en 11.257 instancias extraídas de 36 conjuntos de datos de 10 dominios de aplicación. Su hallazgo es contundente: los modelos de decisión generales rinden mejor cuando la respuesta puede resolverse a partir de la evidencia que tienen delante, y se vuelven menos fiables cuando se requiere conocimiento especializado o cuando la incertidumbre debe estimarse fielmente. La frase del resumen es que estos modelos pueden elegir el resultado más probable mientras «sobreestiman sustancialmente su probabilidad». El mismo artículo ejecuta τ-bench y encuentra que las decisiones locales más rápidas acortan los episodios, pero el éxito general de la tarea disminuye a medida que los errores se acumulan a lo largo de una trayectoria larga.

Ese segundo hallazgo va directamente contra el argumento de colocar un modelo de decisión en cada paso de un agente. El efecto compuesto es el modo de fallo que oculta una cifra de precisión por paso: un paso que acierta el 90 % de las veces acierta el 59 % de las veces tras cinco pasos dependientes. Una prueba separada prerregistrada en Zenodo (SILT-RP-010) sometió siete modelos de decisión a 799 decisiones de sí/no no publicadas y encontró solo una configuración consistente con su propia afirmación de calibración; Jev obtuvo un ECE de 0,052, que los autores registraron como no concluyente en lugar de confirmado. Nada de esto trata de Bivia, y nada de esto debe leerse como un veredicto sobre Bivia. Es el estándar que se está exigiendo a la categoría, y Bivia aún no ha sido sometida a él.

Cuando existen datos prácticos, son lo bastante escasos como para ser honestos al respecto. Un desarrollador pasó 42 decisiones etiquetadas de su propio agente de programación nocturno por Jev-1.13 y Clef-Flash, y ambos manejaron perfectamente las diez opciones de acción de uso de computadora, incluidas dos trampas de seguridad —una de las cuales requería una abstención—, mientras que ambos fallaron en los mismos cuatro casos de supervisión. Él mismo lo describe como «un benchmark de 42 casos a partir del agente de una sola persona, no un artículo». Bivia no formaba parte de ello.

El benchmark principal nombra a su comparador, lo que es más de lo que hacen la mayoría de los lanzamientos.

Las puntuaciones de la prueba interna de enrutamiento de herramientas de Articul8 sitúan a Bivia en 0,91 frente a Jev en 0,84, y el comunicado lo dice por su nombre en lugar de esconderse detrás de «un competidor líder». Eso merece crédito; los comparadores nombrados son falsificables de un modo en que los anónimos no lo son. El resto del bloque de benchmarks necesita un etiquetado más exhaustivo:

• Enrutamiento de herramientas — Bivia 0.91 frente a Jev 0.84, interno del proveedor, metodología no publicada.

• Finalización del flujo de trabajo de extremo a extremo — aproximadamente 73 % frente a 37 % para el modelo de comparación, una cifra que aparece en las publicaciones de lanzamiento de Articul8 en lugar del comunicado de prensa.

• Tareas de Energy y Verilog — 100 % de precisión en tareas seleccionadas tras el ajuste al dominio. La propia versión las señala como dentro de la distribución, lo que significa que las tareas se parecen a los datos de ajuste; es una afirmación sobre el ajuste, no sobre la generalización.

• Estabilidad de las respuestas — Articul8 afirma que competidores, entre ellos Jev, cambiaron las respuestas en aproximadamente una de cada ocho ejecuciones cuando se reordenaron las opciones, mientras que Bivia se mantuvo consistente. No se divulgan el entorno de pruebas, la muestra ni el conjunto de opciones.

La asimetría que merece la pena señalar está al otro lado de la comparación. Jev ha pasado por una evaluación independiente: 37 conjuntos de datos en un estudio de arXiv, la suite JEVal, la prueba de calibración preregistrada y varios arneses ejecutados por desarrolladores. Bivia, con un día de vida, tiene una nota de prensa y una página de producto. Eso es normal para el día del lanzamiento y no es una crítica al modelo — es una razón para tratar 0,91 como un número que hay que reproducir en lugar de un número sobre el que planificar.

Precios: pagas por los tokens de entrada y no hay una lista de tarifas para calcularlo.

Los términos comerciales son simples en su forma y vacíos donde importa. Sin suscripción. Solo pagas por los tokens de entrada, lo cual se desprende de un modelo que no emite ninguno. Los primeros 10.000 usuarios obtienen hasta 1.000 millones de tokens gratis. El acceso requiere registrarse en articul8.ai/bivia. Lo que falta es la tarifa real: no aparece ningún precio en dólares por millón de tokens de entrada en la página del producto, en el comunicado ni en las publicaciones de lanzamiento. Los gráficos de costes de la página —una comparación de "¢$$$ 1 forward pass"— son ilustraciones, no precios.

Sin una tarifa, no se puede hacer el único cálculo en el que se basa toda la categoría: si una llamada de decisión es más barata que la llamada generativa a la que sustituye. Las propias cifras de demostración de Articul8 hacen visible el atractivo sin hacerlo calculable: 10.058 decisiones frente a telemetría de refrigeración de centros de datos en aproximadamente 15 segundos, 13 de las cuales se abstuvieron y se remitieron a un operador; 200 lotes de obleas y 1.000 decisiones durante un turno de 12 horas, cinco llamadas por lote en ocho escáneres de litografía; una única ejecución cotizada en $0,40 sin especificar qué contenía esa ejecución. Cada una de ellas es una demostración capturada y reproducida por el proveedor, y varios ejemplos de la página están etiquetados explícitamente como ilustrativos.

El nivel gratuito es la respuesta práctica por ahora. Mil millones de tokens de entrada bastan para ejecutar un piloto real — unos cientos de casos etiquetados a través de Fast y Deep, con la abstención activada y desactivada — antes de que alguien tenga que cotizarte un precio. Ese piloto es la única forma de conocer tu tasa de abstención con tus propios datos, y la tasa de abstención es lo que determina si la economía funciona. Un umbral estricto envía más casos a humanos; uno permisivo deja pasar errores con alta confianza. Esa disyuntiva entre cobertura y riesgo es el núcleo de la clasificación selectiva, y ningún benchmark de proveedor sustituye tu propio umbral.

Los videos y los documentos son donde Bivia deja de parecerse a los demás modelos de decisión.

Los modelos de decisión textuales —Jev, Clef, las diversas reimplementaciones abiertas— reciben preguntas tipadas sobre texto y devuelven probabilidades. La arquitectura compartida de Bivia sobre siete modalidades es una categoría de producto diferente que lleva la misma etiqueta, y la demostración que lo muestra es un documental 4K de 52 minutos de la Estación Espacial Internacional, alimentado fotograma a fotograma en una única solicitud, que revela eventos de duración de segundos, como luces de ciudades en el lado nocturno y una aurora. Muestrear fotogramas los habría pasado por alto; la afirmación es que Bivia no muestrea.

Eso es una capacidad genuinamente distinta, y apunta a los casos de uso industriales que Articul8 realmente vende: metraje de inspección donde el evento se produce a los tres segundos de cada cuarenta minutos, planos de ingeniería, tablas y gráficos, trazas de sensores. Los clientes nombrados son Hitachi Energy, CTC, AZing y Megazone, y la plataforma en torno a Bivia se conecta con más de 25 sistemas empresariales y operativos, con despliegue en nubes públicas, privadas, soberanas y aisladas de la red. El ajuste de dominio, sin embargo, está liderado por ventas: la propia instrucción de la página al respecto es «Hable con nosotros sobre su dominio». Por lo tanto, las cifras del 100 % en energía y Verilog describen implementaciones ajustadas creadas con la ayuda de Articul8, no un modelo que se descarga y se apunta a su planta un martes.

Dónde corresponde un modelo de decisión dentro de un agente — y por qué eso es una cuestión de enrutamiento

La arquitectura que tiene sentido no es «sustituir el LLM por Bivia». Es una cadena en tres partes: las reglas deterministas absorben los casos que pueden resolver, el modelo de decisión asume los juicios acotados que quedan y devuelve una etiqueta con una probabilidad, y la aplicación valida la etiqueta frente a las políticas y los permisos antes de que ocurra nada. Solo entonces el flujo de trabajo elige entre una acción barata, una llamada a un modelo de frontera y una persona. Un modelo de decisión es un paso de recomendación, no una fuente de autoridad: no puede autorizar una fusión, un gasto ni una aprobación omitida, y una etiqueta bien formulada elegida por el motivo equivocado sigue estando mal.

Es decir, la pregunta operativa es el enrutamiento, y tiene tres partes: qué pasos van a la capa de decisión, cuáles escalan a un modelo generativo cuando la probabilidad es baja o la respuesta se abstiene, y qué ocurre cuando el endpoint de decisión en sí está lento o caído. Esa es la forma de una política de enrutamiento, y para eso sirve el DSL de enrutamiento de OrcaRouter: componer una llamada de decisión y un respaldo generativo en una sola llamada, con conmutación por error automática detrás, de modo que una abstención o una caída en cualquiera de los dos lados tenga un siguiente salto definido en lugar de un agente bloqueado. La mitad generativa de esa cadena es donde importan los precios traspasados: una API para más de 200 modelos al precio de lista del proveedor con 0 % de margen, así que cuando un proveedor reduce un precio, la tarifa a la que enruta cambia el mismo día.

Una salvedad honesta sobre la disponibilidad. Bivia no está en el catálogo de OrcaRouter —se puede acceder a ella mediante la API propia de Articul8 y la plataforma del proveedor, y por ningún otro canal que podamos avalar. Jev-1.13 de TypeSafe AI sí está en el catálogo, lo que convierte una prueba comparativa del modelo de decisión alojado que sí servimos en un ejercicio de una sola clave; probar Bivia implica un segundo contrato y una credencial aparte. Si quieres ver si una capa de decisión merece su lugar antes de firmar nada, esa asimetría es el experimento más barato disponible.

¿Quién debería probar Bivia ahora y quién debería esperar?

Pruébalo si tus decisiones viven en artefactos en lugar de frases —vídeo de inspección, planos, reclamaciones escaneadas, registros de sensores— porque esa es la parte de Bivia que ningún competidor de la ola de modelos de decisión iguala actualmente, y el cupo gratuito de tokens cubre el piloto. Pruébalo si ya eres cliente de Articul8 con la plataforma desplegada, porque Bivia también se ejecuta dentro de Bivia Studio junto al pipeline que ya tienes; o si necesitas un despliegue aislado (air-gapped) o soberano, que cubre el soporte a nivel de empresa. Pruébalo si un agente de programación es donde lo usarías, porque los servidores MCP y el instalador de curl convierten eso en una prueba de diez minutos en lugar de un proyecto.

Espera si necesitas un precio unitario para modelar el gasto, porque no hay ninguno. Espera si adquisiciones exige un benchmark independiente o una tasa de abstención publicada, porque ninguno de los dos existe todavía. Espera si necesitas pesos que puedas alojar, términos de licencia que puedas leer o un SLA de latencia; no se publicó ninguno de esos. Y espera si el ajuste al dominio es todo el valor: la brecha entre Bivia tal como viene de fábrica y Bivia ajustada a tu dominio no se divulga, y esa brecha es exactamente lo que estarías comprando.

Tres cosas lo resolverían, y las tres corresponden al proveedor publicarlas: una tabla de tarifas por token, una tasa de abstención medida con un arnés que otra persona pueda ejecutar y resultados en un benchmark anterior al lanzamiento. Hasta entonces, la lectura justa de Bivia es una API bien especificada ligada a una narrativa de modalidades inusualmente sólida, vendida sobre la base de benchmarks generados por su propio equipo, con el comportamiento más interesante —saber cuándo negarse— dejado como algo que deberías medir por tu cuenta. El interruptor de abstención se puede probar gratis y, según la evidencia disponible, sigue siendo la mejor razón para hacerlo.