Um cartão de título gerado para o artigo, declarando que o Bespoke-Nimble-9B-v3 apareceu no Hugging Face em 30 de setembro de 2026, sem anúncio do fornecedor, e que o lançamento migrou a família de Apache 2.0 para CC BY-NC 4.0.
Engineering & Research

Nimble v3 foi lançado discretamente: o modelo de decisão 9B da Bespoke Labs tornou-se não comercial

Autor

Gideon Frost

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Os pesos para Nimble v3 — registrados como Bespoke-Nimble-9B-v3 — foram enviados para o Hugging Face em 30 de setembro de 2026, e treze dias depois a Bespoke Labs ainda não disse uma palavra sobre eles em público. Não há publicação no blog do próprio laboratório, nem nota de lançamento, nem entrada no histórico de pull requests do repositório que mencione a versão, nem uma linha no registro de alterações do README do projeto. O que existe é um repositório com cinco arquivos, um conjunto de dados de avaliação complementar, um cartão de modelo curto e uma licença que mudou. O mesmo laboratório também colocou um espaço reservado para Bespoke-Nimble-27B-v3 em 9 de outubro — um repositório cujo único arquivo de modelo é uma nota explicando que os pesos ainda não existem.

Isso é tudo o que é possível saber do lado do fornecedor, e vale a pena separar isso do que não é. Tudo abaixo tem como fonte a API do Hugging Face, os cards de modelo brutos, a API do GitHub e os metadados de empacotamento que o modelo agora carrega; quando um número é do próprio fornecedor, isso é indicado.

O que está realmente no repositório

Bespoke-Nimble-9B-v3 contém README.md, adapter_config.json, adapter_model.safetensors, um schema_config.json, e .gitattributes. Essa é a lista completa. É um adaptador PEFT LoRA, não um modelo autônomo: a ficha nomeia Qwen/Qwen3.5-9B como base, e a base não é duplicada no repositório.

O próprio cartão é composto por quatro seções curtas. Ele diz que o adaptador recebe "um contexto e perguntas tipadas (uma escolha entre opções, ou sim ou não)" e retorna uma probabilidade para cada opção. Ele reporta uma pontuação de 56,88 no Decision Index 0.2.1. Ele declara a licença. Ele traz uma citação com os nomes de Shreyas Pimpalgaonkar, Sid Devic, Mrinal Kumar, Pratik Dalal e Mahesh Sathiamoorthy.

O que não está nele importa igualmente. Não há tokenizador, nem construtor de prompts, nem código de inferência de referência, nem arquivo de checksum, nem registro de proveniência e nem contrato de comprimento de contexto — tudo o que o primeiro lançamento da família, Bespoke-Nimble-9B, lançou junto com seus próprios pesos em 18 de setembro como parte de um pacote de vinte e um arquivos. O repositório v3 é um checkpoint de adaptador e uma linha de licença. Qualquer coisa que você precise para executá-lo corretamente, agora você mesmo monta ou pega de um empacotador.

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.

A licença é a parte que vai decidir quem pode usá-la.

A única frase na ficha v3 que muda uma conversa de compras é esta: Bespoke-Nimble-9B-v3 é lançado sob CC BY-NC 4.0, que a ficha explica como "não pode ser usado para fins comerciais."

Todos os checkpoints Nimble anteriores eram Apache 2.0. Bespoke-Nimble-9B é Apache 2.0. Bespoke-Nimble-9B-v2, enviado em 23 de setembro, é Apache 2.0. O modelo base é Apache 2.0 e continua a ser — a ficha da Bespoke diz isso explicitamente, o que é a atitude honesta a tomar e também a razão pela qual uma empresa não pode contornar a restrição apontando para a licença base. Uma base com licença permissiva não afrouxa um adaptador não comercial, e é no adaptador que reside o comportamento de decisão.

Há uma segunda questão de licença que é pior, porque é ambígua em vez de meramente restritiva. O repositório do GitHub bespokelabsai/nimble — a página principal do projeto, atualmente com 2.179 estrelas — não informa nenhuma licença pela API do GitHub. Um repositório sem arquivo de licença não é código aberto em nenhum sentido que um advogado aceite, e isso é verdade independentemente de os mantenedores terem ou não essa intenção. O próprio README do laboratório reconhece imperfeições na primeira versão do modelo; uma base de código de treinamento e curadoria sem licença é uma classe diferente de problema.

Portanto, a posição prática para quem planeja um produto hoje é: os pesos do Nimble v3 são legíveis, baixáveis e não comerciais; o código que os produziu não tem termos declarados. Se você precisa de um modelo de decisão comercialmente utilizável na base Qwen3.5-9B, este não é o indicado, e as alternativas são examinadas em Nimble v3 vs Kev e Nimble v3 vs Decider.

Três conjuntos de números, três instrumentos diferentes

O cartão v3 traz exatamente uma pontuação: 56,88 no Decision Index 0.2.1. O repositório de conjunto de dados complementar da Bespoke Labs publica a execução completa, o motor e as instruções de reprodução, o que é mais transparência do que a maioria dos fornecedores oferece, e o número ainda é do próprio publicador — medido com a sua própria implementação de referência de um kit de terceiros.

Para o checkpoint anterior, a família publicou uma tabela muito mais ampla, e é o único material de comparação direta que existe contra o modelo que define esta categoria. Em 324 pares contrastivos reservados, o modelo de 18 de setembro acertou 90,12% dos rótulos de referência, contra 93,21% do Jev 1.13.0 da TypeSafe, com a base Qwen3.5-9B em 66,36%. Em 3.880 decisões rotuladas por humanos em treze conjuntos de dados públicos, a margem foi de 75,7% contra 76,0% do Jev — um empate técnico. Esses números pertencem ao primeiro Nimble, não ao v3, e o projeto os rotula como medições próprias.

O terceiro conjunto é aquele que ninguém na Bespoke Labs executou. O pacote que agora distribui o modelo para uso local publicou uma execução de 231 casos do JevBench original, nos conjuntos fácil e difícil, num Apple M5 Max com uma GPU de 40 núcleos: 201 de 231 corretos com latência mediana de 88 ms para a compilação MLX não quantizada, 202 de 231 a 176 ms para a compilação GGUF não quantizada, e 198 de 231 a 168 ms para a quantização Q4_K_M — com a ressalva impressa ao lado da tabela de que a quantização altera pontuações e decisões. Este é um harness de terceiros, mas é um harness de empacotamento, não uma auditoria independente, e os empacotadores afirmam claramente que o JevBench e o Decision Index usam tarefas diferentes e pontuação diferente.

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.

O que a Bespoke Labs não disse

Cinco coisas que um leitor razoavelmente esperará encontrar e não encontrará:

• Um comprimento de contexto. O cartão da v3 não indica nenhum. A listagem do empacotador anuncia 32.768 tokens, e o lançamento anterior da família documenta um contrato de 8.192 tokens, com prompts grandes demais sendo rejeitados em vez de truncados. Esses são números diferentes que descrevem coisas diferentes, e nada no próprio material da v3 da Bespoke resolve qual se aplica ao adaptador em si.

• Um teto de opções. Checkpoints Nimble anteriores documentavam de 1 a 255 escolhas por campo — uma expansão deliberada além das 26 originais, usando slots extras de vocabulário de token único. Não é declarado se a v3 herda esse teto.

• Uma temperatura. O histórico da família aqui é genuinamente útil e vale a pena conhecer: o checkpoint original foi lançado com um valor ajustado perto de 2,18, a atualização de 24 de setembro moveu o padrão para 1,0 sem um ajuste separado, e as versões intermediárias traziam suas próprias configurações. Aplicar o errado não muda qual resposta vence, mas muda todas as probabilidades — o que é o produto inteiro. O cartão v3 não diz nada.

• Qualquer declaração do que mudou. O histórico de PRs do repositório salta de "Support latest Nimble 9B release and checkpoint defaults" em 24 de setembro para um badge no README em 13 de outubro. Não há nota de alterações da v3, nenhuma atualização de linhagem de dados, nenhum resumo de treinamento.

• Qualquer coisa, por mínima que seja, sobre o 27B. O repositório Bespoke-Nimble-27B-v3, criado em 9 de outubro, contém uma declaração de licença, um README e um arquivo cujo conteúdo inteiro é que os pesos ainda não foram disponibilizados. O README fornece um único número — 65,33 na suíte pública Decision Index 0.3 — e diz que o modelo é executado na API hospedada da Bespoke Labs, com acesso mediante contato com o laboratório. Nenhum download, nenhuma data, nenhum peso. É um placeholder e deve ser lido como tal.

Essa é a forma de um envio silencioso: um checkpoint aparece, a documentação não, e o número da versão é a única indicação de que uma decisão foi tomada.

O que realmente mudou esta semana

O upload de 30 de setembro não é o que torna isto possível de escrever hoje. O que o torna possível de escrever é que o Nimble v3 se tornou instalável nos últimos dias. Um runtime de modelos locais adicionou nimble-v3 à sua biblioteca pública em 13 de outubro, mesclando o adaptador à base Qwen3.5-9B para que um único comando pull produza um modelo de decisão 9B executável em seis formatos de pesos — duas builds não quantizadas de 17,9 GB, uma build MXFP8 MLX de 9,3 GB, uma build NVFP4 de 6,9 GB, uma Q8_0 de 9,5 GB e uma Q4_K_M de 5,6 GB. No momento em que escrevo, a listagem exibia 45 downloads e um selo de "atualizado há três horas", o que é praticamente o mais recente que uma entrada de catálogo de modelos consegue ser.

Duas coisas decorrem disso. A primeira é que a questão do acesso mudou de natureza: treze dias atrás, usar o Nimble v3 significava baixar uma base de 9B, mesclar uma LoRA e reconstruir um formato de prompt que o repositório já não documenta. Agora significa baixar um pacote — com a restrição de licença viajando junto dentro dele, e com a observação do próprio empacotador de que mesclou o adaptador na base especificada pelo publicador, em vez de redistribuir qualquer coisa que a Bespoke Labs não publicou.

O segundo é que agora existe um número de primeira execução para um modelo que não tinha nenhum. Um valor de precisão de 231 casos e uma distribuição de latência de um harness que não é o do fornecedor é exatamente o tipo de evidência que esta categoria tem feito falta, e vale a pena lê-lo como um piso, e não como um veredito: a mesma execução colocou a build quantizada 4 casos abaixo da não quantizada, e os empacotadores avisam que seus limiares precisam ser revalidados com seus próprios exemplos.

O que isso implica para o roteamento: um modelo de decisão é um componente restrito, e o Nimble v3 responde apenas às perguntas que você lhe apresenta — ele não consegue escrever, explicar ou devolver uma resposta que não seja uma das suas opções. A metade generativa de um pipeline como esse é a parte que o OrcaRouter cobre: 200+ modelos por trás de uma única chave compatível com OpenAI aopreço de tabela do provedor repassado com 0% de markup, com failover automático e uma DSL de roteamento que você pode expressar como código. O OrcaRouter não disponibiliza o Nimble v3, e nada aqui deve ser interpretado como uma alegação de que ele disponibiliza. O enquadramento correto é que uma cabeça de decisão local e barata e um modelo generativo roteado por trás dela são as duas metades de um mesmo padrão, e, se você está construindo a segunda metade, essa metade somos nós.

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.

O que fazer com ele e o que observar

Se você está avaliando modelos de decisão em vez de colocar um em produção, o Nimble v3 é agora a forma mais barata de entrar na categoria: um único pull, sem necessidade de GPU além de um laptop, uma métrica de precisão de terceiros documentada e uma licença que é adequada para pesquisa. Se você está construindo um produto, a licença responde à pergunta antes que os benchmarks o façam, e a ausência de um contrato de contexto e de temperatura significa que você estará calibrando nos seus próprios dados, independentemente de você ter pretendido ou não.

As três coisas que mudariam essa avaliação: um anúncio do fornecedor que esclareça a licença (CC BY-NC em um checkpoint principal é incomum para um laboratório que, fora isso, distribuiu Apache 2.0 e levantou US$ 40 milhões para construir para empresas), um repositório 27B populado e uma nota de alteração explicando o que a v3 realmente fez de diferente da v2. Até então, o resumo honesto é que uma equipe competente enviou um checkpoint, restringiu seu uso e deixou que os empacotadores fizessem o anúncio.

O Nimble v3 é um adaptador de pesos abertos que você mesmo hospeda; a metade generativa do mesmo pipeline é o que o OrcaRouter cobre. Mais de 200 modelos por trás de uma única chave compatível com OpenAI O OrcaRouter não serve o Nimble v3, e nada neste artigo deve ser interpretado como uma afirmação de que o faz.