Articul8 Bivia：判断を留保できる意思決定モデル——そして価格表がない

BiviaのAPIドキュメントで最も影響の大きい行は、ベンチマークではありません。ステータスです。回答が返る呼び出しでは、値、0から1の間の確率、そして提示した選択肢に対する分布が返ります。拒否された呼び出しでは、value: null、abstain_reason、そして同じ分布が返ります——モデルが型付きフィールドで、証拠がコミットメントを支えなかったことを伝えているのです。2026年10月28日にサンタクララでローンチされたArticul8 Biviaは、生成モデルではなくマルチモーダル意思決定モデルです。入力はHTTP POST 1回、出力は型付きJSON、出力トークンはゼロです。棄権フィールドは、このローンチが最も強く押し出している機能であり、単一のパラメータでオフにできる機能でもあります。その訴求が通用するかどうかはキャリブレーションの問題であり、参照点はTypeSafe AIのJev-1.13です——本ブログが最も多く扱ってきた意思決定モデルであり、すでにOrcaRouter経由で呼び出せるものです。

両者を並べてみると、違いは各モデルが入力として受け付けるものにある。Jevはテキストについて文字で入力された質問に答える。Biviaはテキスト、画像、文書、コード、センサー信号、音声、動画を受け取り、回答をその artefact（バウンディングボックス、文字オフセット、動画タイムスタンプ）に根拠づける。両ベンダーに共通するのは、アーキテクチャではなくビジネス上の課題だ。どちらも、イエス、ノー、ラベル、数値のいずれかに帰結する判断に対してフロンティアモデルの料金を払うのをやめる方法として売られている。Articul8版のその売り込みには、動作するAPI、無料トークンの提供、そして公開されたトークン単価がないことが付いてくる。そのため、Biviaがあなたに迫る最初の判断は会計上のものになる。

Bivia が実際に返すもの

製品ページはAPI契約について異例なほど具体的で、プレスリリースはそうではないため、注意深く読む価値があります。判定は、APIキーをBIVIA_API_KEYに入れたPOSTであり、応答は毎回同じJSON形状になります。これこそが非生成出力の要点です。9つのプリミティブ——Decide、Choice、Boolean、Score、Set、Span、Ground、Extract、および「Data science」——から1つを選ぶと、回答は5つの型付き形状のいずれかに強制変換されます。文章なし、パース手順なし、トークン4,000での波括弧の切り詰めもありません。

• 入力 — テキスト、画像、文書、コード、信号、音声、動画という7つのモダリティを、フォーマットごとに個別のパイプラインを用意するのではなく、1つの共有アーキテクチャを通じて扱います。

• 出力 — Choice、Boolean、Score、Set、Span。それぞれ、較正済みの確率と、指定した選択肢全体にわたる分布とともに返されます。

• モード — Fast は1回のパスで1つの決定を実行します。Deep は決定を下した後、確定する前に自らの決定に異議を唱えます。Fast は think: true でアップグレードできます。ページの概要ストリップには「Fast Deep Thinking」と表示されている一方、詳細セクションでは「Fast · Deep · Abstain」と説明されているため、Thinking が4つ目のモードなのか、それとも Fast のトグルなのかはベンダーによって未解決のままです。

• 拒否 — 任意です。allow_abstain: false を送信すると、Bivia は毎回必ず回答するようになり、その安全策が失われて、ほぼゼロに近いかもしれない確率だけが残ります。

• Grounding — 領域、オフセット、タイムスタンプが回答とともに付随するため、下流のチェックでは、モデルが使用した正確なピクセルまたは秒の位置で証拠を再び開くことができます。

• 言語 — 50以上、ページには英語、日本語、韓国語、ヒンディー語、タミル語、スペイン語、ドイツ語、ポルトガル語が含まれています。

統合面は、通常の意思決定APIより広範です。Claude Code、Codex、Cursor、VS Code向けのMCPサーバー、CLIとClaudeスキル、macOSとWindows向けのフローティングデスクトップアプリ、画面の領域を選択して質問できるChromeおよびEdge拡張機能、=BIVIA.DECIDE、=BIVIA.CHOICE、=BIVIA.SCOREという数式を備えたGoogle Workspaceアドオン、Python、Node.js、Go、RustのSDKなどがあります。これらのどれもモデルそのものを変えるわけではありません。ただし、試すのに統合プロジェクトではなくコマンド1つで済むということです。

棄権スイッチこそが製品のすべてであり、それは製品について最も計測されていない部分だ

回答保留（棄権）は正しい考え方であり、その主張のより難しい半分だ。推測する決定層は、推測する生成モデルよりも悪い。型付きの回答は、それが正当に導かれたかどうかに関係なく、監査可能に見えるからだ。したがって興味深い問いは、Biviaが回答保留を返せるかどうかではない——APIがそれを証明している——むしろ、その確信度が十分に較正され、拒否が真に曖昧なケースに着地し、確定回答が明確なケースに着地するかどうかだ。それは測定可能な性質であり、Articul8はその測定結果を公表していない。

代わりに存在するのは、このカテゴリに関する独立した研究だ。arXiv 2610.03935 で導入されたベンチマーク JEVal は、10 の応用領域にまたがる 36 のデータセットから抽出した 11,257 のインスタンス上で、25 のモデル構成をテストする。その発見は鋭い。汎用的な意思決定モデルは、目の前の証拠から答えを確定できる場合に最もうまく機能し、専門知識が必要な場合や、不確実性を忠実に推定する必要がある場合には信頼性が低下する。論文の要旨では、これらのモデルは最も可能性の高い結果を選べる一方で、「その確率を大幅に過大評価する」と表現している。同じ論文は τ-bench も実行し、より高速なローカルな意思決定はエピソードを短縮するものの、長い軌跡の中で誤りが積み重なるにつれて全体的なタスク成功率は低下することを見出している。

その第二の発見は、エージェントの各ステップに意思決定モデルを置くという主張を直接突く。複合効果は、ステップごとの精度の数値が隠す失敗モードだ。あるステップが90%の確率で正しいとしても、依存する5ステップを経た後には59%の確率でしか正しくない。Zenodo上の別の事前登録済みテスト（SILT-RP-010）では、7つの意思決定モデルを799件の未公開のyes/no判断に通し、自身のキャリブレーション主張と整合する構成は1つだけ見つかった。JevはECE 0.052という結果になり、著者らはこれを確認済みではなく結論不能として記録した。これはいずれもBiviaに関するものではなく、Biviaへの評決として読むべきものでもない。これはこのカテゴリが問われている基準であり、Biviaはまだその基準で評価されていない。

実地のデータが存在する場合でも、正直に認めざるを得ないほど乏しい。ある開発者が、自身の夜間コーディングエージェントから得た42件のラベル付き判断をJev-1.13とClef-Flashに通したところ、両方とも、コンピュータ利用に関する10件のアクション選択を完璧に処理した。そこには2件の安全トラップが含まれ、うち1件は回答を控えることを要するものだった。一方で、両方とも同じ4件の監督ケースを外した。彼自身はこれを「1人のエージェントによる42ケースのベンチマークであり、論文ではない」と表現している。Biviaはそこに含まれていなかった。

見出しのベンチマークは比較対象を明記しており、これはほとんどの製品発表が行わないことだ。

Articul8の社内ツールルーティングテストでは、Biviaが0.91、Jevが0.84というスコアを記録しており、リリースでは「大手競合他社」の陰に隠れることなく、固有名詞で明記されています。これは評価に値します。名前を挙げた比較対象は、匿名のそれとは違い、反証可能だからです。ベンチマーク部分の残りには、より踏み込んだ注記が必要です：

• ツールルーティング — Bivia 0.91 対 Jev 0.84、ベンダー内部、手法は未公開。

• エンドツーエンドのワークフロー完了率 — 比較モデルの37%に対して約73%。この数値はプレスリリースではなく、Articul8のローンチ投稿に記載されている。

• EnergyおよびVerilogのタスク — ドメインチューニング後の選択されたタスクにおいて100%の精度。リリース自体がこれらを分布内（in-distribution）と明示している。つまり、それらのタスクがチューニングデータに類似しているということであり、これは当てはまりに関する記述であって、汎化に関する記述ではない。

• 回答の安定性 — Articul8は、選択肢を並べ替えた際、Jevを含む競合他社が約8回に1回の割合で回答を変更したのに対し、Biviaは一貫していたと主張している。使用されたハーネス、サンプル、選択肢セットは開示されていない。

注目すべき非対称性は、比較のもう一方の側にあります。Jev は独立した評価を経ています。ある arXiv 研究における37のデータセット、JEVal スイート、事前登録されたキャリブレーション試験、そして開発者が実行したいくつかのハーネスです。一方、登場からまだ1日の Bivia にあるのは、プレスリリースと製品ページだけです。これは公開初日としては普通のことであり、モデルへの批判ではありません。0.91 は、それを前提に計画を立てるための数値ではなく、再現すべき数値として扱うべき理由なのです。

料金：入力トークンに対して支払いますが、その計算に使える料金表はありません。

商用条件は見た目こそ簡潔ですが、肝心な中身は空です。サブスクリプションはありません。支払うのは入力トークン分だけで、これは出力を一切出さないモデルであることから当然です。最初の10,000ユーザーは最大10億トークンを無料で利用できます。利用には articul8.ai/bivia への登録が必要です。欠けているのは実際の料金です。入力100万トークンあたりのドル額は、製品ページにも、リリースにも、ローンチ投稿にも記載されていません。ページ上のコスト図——「¢$$$ 1 forward pass」という比較——はイラストであり、価格ではありません。

レートがなければ、このカテゴリー全体の前提となる唯一の計算、つまり意思決定呼び出しが、それが置き換える生成呼び出しより安いかどうかを計算することはできない。Articul8自身のデモ数値は、その訴求点を目に見える形にする一方で、計算可能にはしていない。データセンター冷却テレメトリに対して約15秒で10,058件の意思決定を行い、そのうち13件は棄権してオペレーターに引き渡された。1回の12時間シフトで200枚のウェハロットと1,000件の意思決定、8台のリソグラフィスキャナでロットごとに5回の呼び出し。1回の実行は0.40ドルと見積もられているが、その実行に何が含まれていたかは示されていない。これらのそれぞれはベンダーが記録して再生したデモであり、ページ上のいくつかの例は明示的に例示用と表示されている。

無料枠が今のところ現実的な答えです。10億入力トークンあれば、実際のパイロットを回すには十分です。つまり、誰かがあなたに価格を提示する必要が出る前に、FastとDeepに数百件のラベル付きケースを通し、棄権のオンとオフを切り替えて試せます。そのパイロットこそ、自社データ上での棄権率を知る唯一の方法であり、その棄権率が経済性の成否を決めます。厳しい閾値はより多くのケースを人間に回し、緩い閾値は確信を持った誤りを通してしまいます。このカバレッジとリスクのトレードオフこそが選択的分類の核心であり、ベンダーのベンチマークが自社の閾値に代わることはありません。

動画とドキュメントは、Biviaが他の意思決定モデルと同じようには見えなくなる領域です。

テキスト判定モデル——Jev、Clef、そしてさまざまなオープンな再構築版——は、テキストについての型付きの質問を受け取り、確率を返す。7つのモダリティにまたがるBiviaの共有アーキテクチャは、同じラベルをまとった別の製品カテゴリーであり、それを示すデモは、国際宇宙ステーションの52分に及ぶ4Kドキュメンタリーを単一のリクエストで1フレームずつ入力し、夜側の都市の灯りやオーロラといった数秒間の出来事を浮かび上がらせる。フレームをサンプリングしていれば、それらは見逃されていただろう。Biviaはサンプリングを行わない、というのがその主張である。

それは確かに異なる能力であり、Articul8が実際に販売している産業用途を指し示しています。つまり、40分のうちイベントが3秒しかない検査映像、エンジニアリング図面、表やグラフ、センサーデータのトレースなどです。名前が挙がっている顧客はHitachi Energy、CTC、AZing、Megazoneで、Biviaを中心とするプラットフォームは25以上の企業・運用システムに接続し、パブリック、プライベート、ソブリン、エアギャップの各クラウドに展開できます。ただしドメイン向けのチューニングは営業主導で、そのページ自体の案内も「ドメインについて当社にご相談ください」です。したがって、100% energyとVerilogの数値は、Articul8の支援を受けて構築されたチューニング済みの展開を表しており、ある火曜日にダウンロードして自社工場に当てはめるだけのモデルではありません。

エージェント内で意思決定モデルがどこに属するか — そして、なぜそれがルーティングの問いなのか

理にかなったアーキテクチャは、「LLMをBiviaに置き換える」ことではありません。それは3つの部分からなる連鎖です。決定論的ルールが処理できるケースを吸収し、判断モデルが残る限定的な判断を担って確率付きのラベルを返し、アプリケーションが何かが起こる前にそのラベルをポリシーと権限に照らして検証します。その後になって初めて、ワークフローは低コストのアクション、フロンティアモデルの呼び出し、人間の間で選択します。判断モデルは推薦のステップであり、権威の源ではありません——マージ、支出、承認のスキップを許可することはできず、誤った理由で選ばれた形式どおりのラベルも依然として誤りです。

つまり、運用上の問いはルーティングであり、それには3つの要素がある。どのステップを判断層に送るか、確率が低い場合や回答が棄権された場合にどのステップを生成モデルへエスカレートするか、そして判断エンドポイント自体が遅い、または停止している場合に何が起こるか。これがルーティングポリシーの形であり、OrcaRouterのルーティングDSLはまさにこのためのものだ。判断呼び出しと生成フォールバックを1つの呼び出しに構成し、その背後に自動フェイルオーバーを備えることで、どちらかの側での棄権や障害時にも、エージェントが止まったままになるのではなく、定義されたネクストホップがある。そのチェーンの生成側の半分こそ、パススルー価格が重要になる部分だ：200を超えるモデル向けの1つのAPIをプロバイダーの定価で、0%のマークアップで提供するので、あるベンダーが価格を引き下げると、ルーティングに使うレートもその当日に更新される。

可用性について、正直に一点だけ注意しておきます。Bivia は OrcaRouter のカタログには載っていません。Articul8 独自の API とベンダーのプラットフォームを通じてのみ利用可能で、当社が確証できる他の経路はありません。TypeSafe AI の Jev-1.13 はカタログに載っているため、当社が実際に提供しているホスト型意思決定モデルの並行試行は、ワンキーで実行できる操作になります。一方、Bivia を試すには 2 つ目の契約と別の資格情報が必要です。何かに署名する前に、意思決定レイヤーに導入価値があるかどうかを確かめたいなら、この非対称性が、利用可能な中で最も安価な実験です。

誰が今すぐBiviaを試すべきで、誰が待つべきか

判断が文章ではなく成果物に宿っているなら、試してみてください。検査動画、図面、スキャンした申請書類、センサーログなどがそれにあたります。なぜなら、それは意思決定モデルの潮流においてBiviaが持つ、現在どの競合も匹敵しない部分であり、無料トークン枠がパイロットをカバーするからです。プラットフォームを導入済みのArticul8顧客なら試してみてください。Biviaは、既存のパイプラインと並んでBivia Studio内でも動作します。また、エアギャップまたは主権型のデプロイが必要な場合にも適しており、それは会社レベルのサポートがカバーします。コーディングエージェントを使う場所で利用したいなら試してみてください。MCPサーバーとcurlインストーラーにより、それはプロジェクトではなく10分のテストになります。

支出をモデル化するには単価が必要だが、単価は存在しない——ならば待て。調達が独立したベンチマークや公表された棄権率を必要とするなら待て——どちらもまだ存在しない。自社でホストできる重み、読めるライセンス条件、レイテンシSLAが必要なら待て——それらはどれも公開されなかった。そして、ドメインチューニングこそが価値のすべてなら待て。既製のBiviaと、自社ドメインでチューニングしたBiviaとの差は非公開で、その差こそがあなたの買うものなのだから。

決着をつけるには3つの材料が必要で、そのすべてはベンダーが公開すべきものだ。トークン単位の料金表、第三者が実行できるハーネスで測定された棄権率、そしてローンチ前から存在するベンチマークでの結果である。それまでは、Biviaを公平に読めば、よく仕様化されたAPIに異例に強いモダリティのストーリーが付いたものであり、自社チームが生成したベンチマークで売り込まれ、最も興味深い挙動——いつ拒否すべきかを知ること——は自分で測るべきものとして残されている、ということになる。棄権スイッチは無料で試せて、入手可能な証拠に基づけば、依然として試す最大の理由だ。