Una card del titolo generata per l'articolo, che afferma che Bespoke-Nimble-9B-v3 è apparso su Hugging Face il 30 settembre 2026 senza alcun annuncio del fornitore, e che il rilascio ha fatto passare la famiglia da Apache 2.0 a CC BY-NC 4.0.
Engineering & Research

Nimble v3 rilasciato in sordina: il modello decisionale 9B di Bespoke Labs è diventato non commerciale

Autore

Gideon Frost

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

I pesi per Nimble v3 — depositati come Bespoke-Nimble-9B-v3 — sono stati caricati su Hugging Face il 30 settembre 2026, e tredici giorni dopo Bespoke Labs non ha ancora detto una parola al riguardo in pubblico. Non c'è alcun post sul blog del laboratorio, nessuna nota di rilascio, nessuna voce nella cronologia delle pull request del repository che menzioni la versione, e nessuna riga nel changelog del README del progetto. Ciò che esiste è un repository di cinque file, un dataset di valutazione complementare, una breve scheda del modello e una licenza che è cambiata. Lo stesso laboratorio ha anche lasciato un segnaposto per Bespoke-Nimble-27B-v3 il 9 ottobre — un repository il cui unico file del modello è una nota che spiega che i pesi non esistono ancora.

Questo è tutto ciò che è conoscibile dal lato fornitore, e vale la pena separarlo da ciò che non lo è. Tutto quanto segue proviene dall'API di Hugging Face, dalle schede modello grezze, dall'API di GitHub e dai metadati di packaging che il modello ora porta con sé; dove un numero è del fornitore stesso, viene indicato.

Cosa c'è effettivamente nel repository

Bespoke-Nimble-9B-v3 contiene README.md, adapter_config.json, adapter_model.safetensors, un schema_config.json e .gitattributes. Questo è l'elenco completo. È un adattatore PEFT LoRA, non un modello autonomo: la card indica Qwen/Qwen3.5-9B come base, e la base non è duplicata nel repository.

La scheda stessa è composta da quattro brevi sezioni. Indica che l'adattatore prende "un contesto e domande tipizzate (una scelta tra opzioni, oppure sì o no)" e restituisce una probabilità per ciascuna opzione. Riporta un punteggio di 56,88 per Decision Index 0.2.1. Indica la licenza. Contiene una citazione che nomina Shreyas Pimpalgaonkar, Sid Devic, Mrinal Kumar, Pratik Dalal e Mahesh Sathiamoorthy.

Ciò che non c'è dentro conta altrettanto. Non c'è alcun tokenizer, alcun prompt builder, alcun codice di inferenza di riferimento, alcun file di checksum, alcuna registrazione di provenienza e alcun contratto sulla lunghezza del contesto — tutte cose che il primo rilascio della famiglia, Bespoke-Nimble-9B, ha distribuito insieme ai propri pesi il 18 settembre come parte di un pacchetto di ventuno file. Il repository v3 è un checkpoint di adapter e una riga di licenza. Qualsiasi cosa ti serva per eseguirlo correttamente, ora te la assembli da solo o la prendi da un packager.

A screenshot of the Bespoke-Nimble-9B-v3 model card on Hugging Face, showing the repository file list of five files, the CC BY-NC 4.0 licence declaration, the Qwen3.5-9B base model, the Decision Index 0.2.1 score of 56.88, and the five named authors in the citation block.

La licenza è la parte che deciderà chi potrà usarla

L'unica frase nella scheda v3 che cambia una conversazione di procurement è questa: Bespoke-Nimble-9B-v3 è rilasciato sotto CC BY-NC 4.0, che la scheda interpreta come "non può essere utilizzato per scopi commerciali."

Ogni precedente checkpoint di Nimble era Apache 2.0. Bespoke-Nimble-9B è Apache 2.0. Bespoke-Nimble-9B-v2, caricato il 23 settembre, è Apache 2.0. Il modello base è Apache 2.0 e resta tale — la scheda di Bespoke lo dichiara esplicitamente, il che è la cosa onesta da fare ed è anche il motivo per cui un'azienda non può aggirare la restrizione facendo riferimento alla licenza del modello base. Una base con licenza permissiva non allenta un adattatore non commerciale, e l'adattatore è dove risiede il comportamento decisionale.

C'è una seconda questione di licenza che è peggiore, perché è ambigua anziché semplicemente restrittiva. Il repository GitHub bespokelabsai/nimble — la sede del progetto, che attualmente conta 2.179 stelle — non riporta nessuna licenza tramite l'API di GitHub. Un repository senza file di licenza non è open source in nessun senso che un avvocato accetterebbe, e questo è vero indipendentemente dal fatto che i manutentori lo intendessero o meno. Il README del laboratorio stesso riconosce alcune imperfezioni nella prima release del modello; un codebase di addestramento e curatela senza licenza è una classe di problema diversa.

Quindi la posizione pratica per chiunque pianifichi un prodotto oggi è: i pesi di Nimble v3 sono leggibili, scaricabili e non commerciali; il codice che li ha prodotti non ha termini dichiarati. Se hai bisogno di un modello decisionale utilizzabile commercialmente sulla base Qwen3.5-9B, questo non è quello, e le alternative sono esaminate in Nimble v3 vs Kev e Nimble v3 vs Decider.

Tre serie di numeri, tre strumenti diversi

La scheda v3 riporta esattamente un punteggio: 56,88 su Decision Index 0.2.1. Il repository del dataset complementare di Bespoke Labs pubblica l'esecuzione completa, il motore e le istruzioni per la riproduzione, il che è più trasparenza di quanta ne offrano la maggior parte dei fornitori, e il numero resta comunque quello dell'editore stesso — misurato con la propria implementazione di riferimento di un kit di terze parti.

Per il checkpoint precedente la famiglia ha pubblicato una tabella molto più ampia, ed è l'unico materiale di confronto diretto esistente contro il modello da cui questa categoria è definita. Su 324 coppie contrastive tenute da parte, il modello del 18 settembre ha corrisposto al 90,12% delle etichette di riferimento, contro il 93,21% di Jev 1.13.0 di TypeSafe, con la base Qwen3.5-9B al 66,36%. Su 3.880 decisioni etichettate da esseri umani in tredici dataset pubblici il margine era del 75,7% contro il 76,0% di Jev — un perfetto pareggio. Quei numeri appartengono al primo Nimble, non a v3, e il progetto li definisce come proprie misurazioni.

Il terzo set è quello che nessuno presso Bespoke Labs ha eseguito. Il pacchetto che ora distribuisce il modello per uso locale ha pubblicato un'esecuzione di 231 casi del JevBench originale, set facile e difficile, su un Apple M5 Max con GPU a 40 core: 201 su 231 corretti con una latenza mediana di 88 ms per la build MLX non quantizzata, 202 su 231 a 176 ms per la build GGUF non quantizzata e 198 su 231 a 168 ms per la quantizzazione Q4_K_M — con l'avvertenza stampata accanto alla tabella che la quantizzazione modifica punteggi e decisioni. Questo è un harness di terze parti, ma è un harness di packaging, non un audit indipendente, e i packager dichiarano apertamente che JevBench e il Decision Index usano attività diverse e criteri di punteggio diversi.

A screenshot of the bespokelabsai/nimble GitHub repository, showing the description 'Local typed decisions, contrastive data curation, and model evaluation', the README heading 'Data, Model, Recipe for an open Jev', the star count, and the absence of a declared licence in the sidebar.

Ciò che Bespoke Labs non ha detto

Cinque cose che un lettore si aspetterà ragionevolmente di trovare e che invece non troverà:

• Una lunghezza di contesto. La scheda v3 non ne dichiara alcuna. L'annuncio del packager pubblicizza 32.768 token, e la release precedente della famiglia documenta un contratto di 8.192 token, con i prompt sovradimensionati rifiutati anziché troncati. Sono numeri diversi che descrivono cose diverse, e nulla nel materiale v3 proprio di Bespoke stabilisce quale si applichi all'adattatore stesso.

• Un tetto di opzioni. I primi checkpoint di Nimble documentavano da 1 a 255 scelte per campo — un'espansione deliberata oltre le 26 originali, utilizzando slot di vocabolo aggiuntivi a token singolo. Non è dichiarato se la v3 erediti tale tetto.

• Una temperatura. La storia della famiglia qui è davvero utile e vale la pena conoscerla: il checkpoint originale è stato distribuito con un valore adattato vicino a 2,18, l'aggiornamento del 24 settembre ha spostato il valore predefinito a 1,0 senza un adattamento separato, e le versioni intermedie avevano le proprie impostazioni. Applicare quello sbagliato non cambia quale risposta vince, ma cambia ogni probabilità — che è l'intero prodotto. La scheda v3 tace.

• Qualsiasi dichiarazione su cosa è cambiato. La cronologia delle PR del repository salta da "Supporto all'ultima release di Nimble 9B e ai valori predefiniti dei checkpoint" del 24 settembre a un badge del README del 13 ottobre. Non c'è alcuna nota di modifica per la v3, nessun aggiornamento della data lineage, nessun riepilogo dell'addestramento.

• Qualsiasi cosa sul 27B. Il Bespoke-Nimble-27B-v3 repository, creato il 9 ottobre, contiene una dichiarazione di licenza, un README e un file il cui intero contenuto è che i pesi non sono ancora stati rilasciati. Il README fornisce un solo numero — 65.33 sulla suite pubblica Decision Index 0.3 — e afferma che il modello gira sull'API ospitata di Bespoke Labs, con accesso contattando il laboratorio. Nessun download, nessuna data, nessun peso. È un segnaposto e va letto come tale.

Questa è la forma di una spedizione silenziosa: compare un checkpoint, la documentazione no, e il numero di versione è l'unica indicazione che una decisione è stata presa.

Che cosa è cambiato davvero questa settimana

L'upload del 30 settembre non è ciò che rende questo scrivibile oggi. Ciò che lo rende scrivibile è che Nimble v3 è diventato installabile negli ultimi giorni. Un runtime per modelli locali ha aggiunto nimble-v3 alla sua libreria pubblica il 13 ottobre, unendo l'adattatore alla base Qwen3.5-9B, così che un solo comando pull produca un modello decisionale da 9B eseguibile in sei formati dei pesi — due build non quantizzate da 17,9 GB, una build MXFP8 MLX da 9,3 GB, una build NVFP4 da 6,9 GB, una Q8_0 da 9,5 GB e una Q4_K_M da 5,6 GB. Al momento della scrittura, la scheda mostrava 45 download e un'indicazione "aggiornato tre ore fa", il che è quanto di più fresco possa esserci per una voce di catalogo di modelli.

Ne conseguono due cose. La prima è che la questione dell'accesso ha cambiato natura: tredici giorni fa, usare Nimble v3 significava scaricare una base da 9B, unire un LoRA e ricostruire un formato di prompt che il repository non documenta più. Ora significa scaricare un pacchetto — con la restrizione di licenza che viaggia al suo interno, e con la nota dello stesso packager secondo cui ha unito l'adattatore alla base specificata dall'editore invece di ridistribuire qualcosa che Bespoke Labs non aveva pubblicato.

Il secondo è che ora esiste un valore di prima esecuzione per un modello che non ne aveva alcuno. Un valore di accuratezza su 231 casi e una distribuzione della latenza provenienti da un harness che non è quello del fornitore sono esattamente il tipo di evidenza che mancava a questa categoria, e vale la pena leggerli come un livello minimo piuttosto che come un verdetto: la stessa esecuzione ha posizionato la build quantizzata 4 casi sotto quella non quantizzata, e i packager avvertono che le tue soglie devono essere rivalidate sui tuoi stessi esempi.

Dove questo ci lascia sul routing: un modello decisionale è un componente ristretto, e Nimble v3 risponde solo alle domande che gli sottoponi — non può scrivere, spiegare o restituire una risposta che non sia una delle tue opzioni. La metà generativa di una pipeline come quella è la parte che OrcaRouter copre: oltre 200 modelli dietro un'unica chiave compatibile con OpenAI al prezzo di listino del provider passato con 0% di ricarico, con failover automatico e un DSL di routing che puoi esprimere come codice. OrcaRouter non serve Nimble v3, e nulla di quanto qui scritto va letto come un'affermazione che lo faccia. L'inquadramento corretto è che una testa decisionale locale ed economica e un modello generativo instradato dietro di essa sono due metà di un unico schema, e se stai costruendo la seconda metà, quella siamo noi.

A generated scoreboard card for Nimble v3 listing six dimensions: release date September 30 2026, licence CC BY-NC 4.0 non-commercial, base model Qwen3.5-9B with a LoRA adapter, repository size five files, headline score 56.88 on Decision Index 0.2.1 measured by the publisher, and vendor announcement status none, with a footer noting that all figures are publisher-reported and the 56.88 comes from the publisher's own implementation of a third-party benchmark kit.

Cosa farne, e a cosa fare attenzione

Se stai valutando modelli decisionali invece di distribuirne uno, Nimble v3 è ora il modo più economico per entrare nella categoria: un singolo pull, nessuna GPU richiesta al di là di un laptop, un valore di accuratezza documentato da terze parti e una licenza che va bene per la ricerca. Se stai costruendo un prodotto, la licenza risponde alla domanda prima che lo facciano i benchmark, e il fatto che manchino il contratto di contesto e la temperature significa che finirai per calibrare sui tuoi dati, che tu lo volessi o no.

Le tre cose che cambierebbero questa valutazione: un annuncio del fornitore che chiarisca la licenza (CC BY-NC su un checkpoint di punta è insolito per un laboratorio che per il resto ha rilasciato sotto Apache 2.0 e ha raccolto 40 milioni di dollari per costruire soluzioni per le imprese), un repository 27B popolato e una nota di modifica che spieghi che cosa ha effettivamente fatto di diverso la v3 rispetto alla v2. Fino ad allora, il riassunto onesto è che un team competente ha caricato un checkpoint, ne ha limitato l'uso e ha lasciato che fossero i packager a fare gli annunci.

Nimble v3 è un modello open-weights che gestisci tu stesso; la metà generativa della stessa pipeline è quella che copre OrjaRouter. Oltre 200 modelli dietro un'unica chiave compatibile con OpenAIOrjaRouter non fornisce Nimble v3, e nulla in questo articolo dovrebbe essere interpretato come un'affermazione che lo faccia.