Wygenerowana karta tytułowa do artykułu, informująca, że Bespoke-Nimble-9B-v3 pojawił się na Hugging Face 30 września 2026 r. bez zapowiedzi dostawcy oraz że to wydanie przeniosło rodzinę z Apache 2.0 na CC BY-NC 4.0.
Engineering & Research

Nimble v3 wydany po cichu: 9B model decyzyjny Bespoke Labs stał się niekomercyjny

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Wagi dla Nimble v3 — zapisane jako Bespoke-Nimble-9B-v3 — zostały przesłane do Hugging Face 30 września 2026 r., a trzynaście dni później Bespoke Labs wciąż nie powiedziało o nich publicznie ani słowa. Nie ma żadnego wpisu na blogu samego laboratorium, żadnej noty wydania, żadnego wpisu w historii pull requestów repozytorium, który wspominałby tę wersję, ani linijki w changelogu README projektu. Istnieje natomiast repozytorium z pięcioma plikami, towarzyszący zbiór danych ewaluacyjnych, krótka karta modelu oraz licencja, która uległa zmianie. To samo laboratorium umieściło również placeholder dla Bespoke-Nimble-27B-v3 9 października — repozytorium, którego jedynym plikiem modelu jest notatka wyjaśniająca, że wagi jeszcze nie istnieją.

To jest całość tego, co można poznać po stronie dostawcy, i warto oddzielić to od tego, czego poznać nie można. Wszystko poniżej pochodzi z Hugging Face API, surowych kart modeli, GitHub API oraz metadanych pakowania, które model obecnie zawiera; tam, gdzie liczba pochodzi od samego dostawcy, jest to zaznaczone.

Co tak naprawdę znajduje się w repozytorium

Bespoke-Nimble-9B-v3 zawiera README.md, adapter_config.json, adapter_model.safetensors, schema_config.json i .gitattributes. To pełna lista. Jest to adapter PEFT LoRA, a nie samodzielny model: karta wskazuje Qwen/Qwen3.5-9B jako model bazowy, a model bazowy nie został zduplikowany w repozytorium.

Sama karta składa się z czterech krótkich sekcji. Mówi, że adapter przyjmuje „kontekst oraz pytania z określonym typem (wybór spośród opcji albo tak/nie)” i zwraca prawdopodobieństwo dla każdej opcji. Podaje wynik 56,88 w Decision Index 0.2.1. Określa licencję. Zawiera cytację wymieniającą Shreyasa Pimpalgaonkara, Sida Devica, Mrinala Kumara, Prateka Dalala i Mahesha Sathiamoorthy’ego.

To, co nie jest w nim, ma równie duże znaczenie. Nie ma tokenizera, kreatora promptów, referencyjnego kodu wnioskowania, pliku sumy kontrolnej, rekordu pochodzenia ani kontraktu długości kontekstu — a wszystko to pierwsze wydanie tej rodziny, Bespoke-Nimble-9B, dostarczyło wraz z własnymi wagami 18 września w ramach pakietu dwudziestu jeden plików. Repozytorium v3 to punkt kontrolny adaptera i linia licencji. Wszystko, czego potrzebujesz, aby uruchomić go poprawnie, musisz teraz skompletować samodzielnie lub pozyskać od pakowacza.

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.

Licencja jest tym elementem, który zdecyduje, kto może z niej korzystać.

Jedno zdanie w karcie v3, które zmienia rozmowę o zakupach, brzmi tak: Bespoke-Nimble-9B-v3 jest udostępniony na licencji CC BY-NC 4.0, co karta objaśnia jako „nie może być używany do celów komercyjnych”.

Każdy poprzedni checkpoint Nimble był objęty licencją Apache 2.0. Bespoke-Nimble-9B jest na licencji Apache 2.0. Bespoke-Nimble-9B-v2, opublikowany 23 września, jest na licencji Apache 2.0. Model bazowy jest objęty licencją Apache 2.0 i tak pozostaje — karta modelu Bespoke mówi o tym wprost, co jest uczciwym postępowaniem, a także powodem, dla którego firma nie może obejść ograniczenia, wskazując na licencję modelu bazowego. Model bazowy na licencji permisywnej nie łagodzi niekomercyjnego adaptera, a to w adapterze znajduje się zachowanie decyzyjne.

Jest jeszcze druga kwestia licencyjna, i to gorsza, bo jest niejednoznaczna, a nie tylko restrykcyjna. Repozytorium GitHub bespokelabsai/nimble — dom projektu, obecnie z 2179 gwiazdkami — zgłasza brak jakiejkolwiek licencji przez API GitHuba. Repozytorium bez pliku licencji nie jest open source w żadnym sensie, który prawnik uznałby za ważny, i jest tak niezależnie od tego, czy opiekunowie projektu tego chcieli. README samego laboratorium przyznaje, że pierwsze wydanie modelu ma niedopracowane elementy; nielicencjonowana baza kodu do trenowania i kuratorowania to problem zupełnie innej kategorii.

Zatem praktyczna sytuacja dla każdego, kto dziś planuje produkt, wygląda tak: wagi Nimble v3 można odczytać, pobrać i są niekomercyjne; kod, który je wytworzył, nie ma zadeklarowanych warunków. Jeśli potrzebujesz modelu decyzyjnego do użytku komercyjnego na bazie Qwen3.5-9B, to nie jest ten model, a alternatywy omówiono w Nimble v3 vs Kev i Nimble v3 vs Decider.

Trzy zestawy liczb, trzy różne instrumenty

Karta v3 zawiera dokładnie jeden wynik: 56,88 w Decision Index 0.2.1. Repozytorium towarzyszącego zbioru danych Bespoke Labs publikuje pełny przebieg, silnik i instrukcje odtworzenia, co zapewnia większą przejrzystość niż oferuje większość dostawców, a liczba nadal pochodzi od samego wydawcy — zmierzona przy użyciu jego własnej implementacji referencyjnej zestawu strony trzeciej.

Dla wcześniejszego punktu kontrolnego rodzina opublikowała znacznie szerszą tabelę i jest to jedyny materiał bezpośredniego porównania, jaki istnieje z modelem, który definiuje tę kategorię. Na 324 odłożonych parach kontrastywnych model z 18 września uzyskał zgodność z 90,12% etykiet referencyjnych wobec 93,21% dla Jev 1.13.0 od TypeSafe, a bazowy Qwen3.5-9B osiągnął 66,36%. Na 3 880 decyzjach oznaczonych przez ludzi w trzynastu publicznych zbiorach danych wynik wyniósł 75,7% wobec 76,0% Jev — remis. Te liczby należą do pierwszego Nimble, a nie do v3, i projekt określa je jako własne pomiary.

Trzeci zestaw to ten, którego nikt w Bespoke Labs nie uruchomił. Pakiet, który obecnie dostarcza model do użytku lokalnego, opublikował przebieg 231 przypadków testowych w JevBench original oraz w zestawach łatwym i trudnym na Apple M5 Max z 40-rdzeniowym GPU: 201 z 231 poprawnych przy medianie opóźnienia 88 ms dla niekwantyzowanej kompilacji MLX, 202 z 231 przy 176 ms dla niekwantyzowanej kompilacji GGUF oraz 198 z 231 przy 168 ms dla kwantyzacji Q4_K_M — z zastrzeżeniem umieszczonym obok tabeli, że kwantyzacja zmienia wyniki i decyzje. To środowisko testowe strony trzeciej, ale środowisko testowe pakowania, a nie niezależny audyt, a twórcy pakietu mówią wprost, że JevBench i Decision Index wykorzystują różne zadania i różne systemy punktacji.

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.

Czego Bespoke Labs nie powiedziało

Pięć rzeczy, które czytelnik rozsądnie spodziewa się znaleźć, a których nie znajdzie:

• Długość kontekstu. Karta v3 nie podaje żadnej. Wpis pakującego reklamuje 32 768 tokenów, a wcześniejsze wydanie tej rodziny dokumentuje kontrakt na 8 192 tokeny, przy czym zbyt duże prompty są odrzucane, a nie obcinane. To różne liczby opisujące różne rzeczy i nic w materiałach samego Bespoke dotyczących v3 nie rozstrzyga, która z nich ma zastosowanie do samego adaptera.

• Limit opcji. Wcześniejsze punkty kontrolne Nimble dokumentowały od 1 do 255 wyborów na pole — celowe rozszerzenie poza pierwotne 26, wykorzystujące dodatkowe sloty słownictwa na pojedyncze tokeny. Nie podano, czy v3 dziedziczy ten limit.

• Temperatura. Historia tej rodziny jest tu naprawdę przydatna i warta poznania: oryginalny checkpoint został wydany z dopasowaną wartością około 2,18, aktualizacja z 24 września zmieniła wartość domyślną na 1,0 bez osobnego dopasowania, a wydania pośrednie miały własne ustawienia. Zastosowanie niewłaściwej wartości nie zmienia tego, która odpowiedź wygrywa, ale zmienia każde prawdopodobieństwo — a to jest cały produkt. Karta v3 milczy.

• Jakakolwiek informacja o tym, co się zmieniło. Historia PR repozytorium przeskakuje z „Wsparcie dla najnowszego wydania Nimble 9B i domyślnych ustawień punktów kontrolnych” z 24 września do plakietki README z 13 października. Nie ma noty o zmianach w wersji v3, aktualizacji rodowodu danych ani podsumowania treningu.

• Cokolwiek w ogóle na temat 27B. Bespoke-Nimble-27B-v3, utworzone 9 października, zawiera deklarację licencji, README i plik, którego cała zawartość to informacja, że wagi nie zostały jeszcze udostępnione. README podaje jedną liczbę — 65,33 w publicznym zestawie Decision Index 0.3 — i mówi, że model działa w hostowanym API Bespoke Labs, a dostęp można uzyskać, kontaktując się z laboratorium. Brak pobierania, brak daty, brak wag. To placeholder i tak należy go odczytywać.

Taki jest kształt cichej wysyłki: pojawia się punkt kontrolny, dokumentacja nie, a numer wersji to jedyna oznaka, że podjęto decyzję.

Co tak naprawdę zmieniło się w tym tygodniu?

Wgranie z 30 września nie jest tym, co sprawia, że można to dziś zapisać. Tym, co sprawia, że można to zapisać, jest to, że Nimble v3 stał się instalowalny w ciągu ostatnich kilku dni. Lokalne środowisko uruchomieniowe modeli dodało nimble-v3 do swojej publicznej biblioteki 13 października, scalając adapter z bazą Qwen3.5-9B, tak że jedno polecenie pobrania daje gotowy do uruchomienia 9B model decyzyjny w sześciu formatach wag — dwie niekwantyzowane kompilacje po 17,9 GB, kompilację MXFP8 MLX o rozmiarze 9,3 GB, kompilację NVFP4 o rozmiarze 6,9 GB, kompilację Q8_0 o rozmiarze 9,5 GB i kompilację Q4_K_M o rozmiarze 5,6 GB. W chwili pisania wpis pokazywał 45 pobrań i znacznik „zaktualizowano trzy godziny temu”, co jest mniej więcej tak świeże, jak tylko może być pozycja w katalogu modeli.

Wynikają z tego dwie rzeczy. Po pierwsze, kwestia dostępu zmieniła charakter: trzynaście dni temu użycie Nimble v3 oznaczało pobranie bazy 9B, scalenie LoRA i odtworzenie formatu promptu, którego repozytorium już nie dokumentuje. Teraz oznacza to pobranie pakietu — z ograniczeniem licencyjnym podróżującym razem z nim w środku oraz z własną notatką pakującego, że scalił adapter z bazą wskazaną przez wydawcę, zamiast redystrybuować cokolwiek, czego Bespoke Labs nie opublikowało.

Po drugie, dla modelu, który wcześniej nie miał żadnego wyniku, istnieje teraz wynik pierwszego uruchomienia. Wynik dokładności dla 231 przypadków i rozkład opóźnień z narzędzia testowego, które nie należy do dostawcy, to dokładnie ten rodzaj dowodów, którego brakowało w tej kategorii, i warto go odczytywać jako dolną granicę, a nie werdykt: ten sam przebieg umieścił kompilację skwantyzowaną 4 przypadki poniżej nieskwantyzowanej, a osoby pakujące ostrzegają, że twoje progi wymagają ponownej walidacji na własnych przykładach.

Co to oznacza dla routingu: model decyzyjny to wąski komponent, a Nimble v3 odpowiada tylko na pytania, które mu przekażesz — nie potrafi pisać, wyjaśniać ani zwracać odpowiedzi, która nie jest jedną z twoich opcji. Generatywną połowę takiego potoku pokrywa to, za co odpowiada OrcaRouter: ponad 200 modeli za jednym kluczem zgodnym z OpenAI w cenie katalogowej dostawcy przekazywanej dalej z 0% marży, z automatycznym przełączaniem awaryjnym i DSL-em do routingu, który możesz wyrazić jako kod. OrcaRouter nie obsługuje Nimble v3 i nic tutaj nie powinno być odczytywane jako twierdzenie, że tak jest. Trafne ujęcie jest takie, że tania, lokalna głowica decyzyjna, a za nią routowany model generatywny, to dwie połowy jednego wzorca — a jeśli budujesz tę drugą połowę, to my.

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.

Co z tym zrobić i na co uważać

Jeśli oceniasz modele decyzyjne, a nie wdrażasz ich produkcyjnie, Nimble v3 jest teraz najtańszym sposobem wejścia w tę kategorię: jedno pobranie, brak potrzeby używania GPU poza laptopem, udokumentowany niezależny wynik dokładności i licencja, która jest w porządku do badań. Jeśli budujesz produkt, licencja odpowiada na to pytanie, zanim zrobią to benchmarki, a brakujący kontrakt kontekstu i temperatura oznaczają, że będziesz kalibrować na własnych danych, niezależnie od tego, czy zamierzałeś to robić, czy nie.

Trzy rzeczy, które zmieniłyby tę ocenę: ogłoszenie dostawcy, które wyjaśnia licencję (stosowanie CC BY-NC w flagowym checkpointcie jest nietypowe w przypadku laboratorium, które poza tym udostępniało swoje rzeczy na licencji Apache 2.0 i pozyskało $40M na budowanie rozwiązań dla przedsiębiorstw), wypełnione repozytorium 27B oraz nota o zmianach wyjaśniająca, czym v3 faktycznie różniło się od v2. Do tego czasu uczciwym podsumowaniem jest to, że kompetentny zespół wgrał checkpoint, ograniczył jego użycie i pozwolił pakującym zająć się ogłaszaniem.

Nimble v3 to adapter z otwartymi wagami, który samodzielnie hostujesz; generatywną połowę tego samego potoku obejmuje OrcaRouter. Ponad 200 modeli za jednym kluczem zgodnym z OpenAI OrcaRouter nie udostępnia Nimble v3 i niczego w tym artykule nie należy odczytywać jako twierdzenia, że tak jest.