Articul8 Bivia: En beslutsmodell som kan avstå — och som saknar prislista

Den mest betydelsefulla raden i Bivias API-dokumentation är inte ett benchmark. Det är status. Ett besvarat anrop kommer tillbaka med ett value, en sannolikhet mellan 0 och 1 och en fördelning över de alternativ du erbjöd. Ett avvisat anrop kommer tillbaka med value: null, ett abstain_reason och samma fördelning – modellen säger dig, i ett typat fält, att underlaget inte stödde ett åtagande. Articul8 Bivia, som lanserades från Santa Clara den 28 oktober 2026, är en multimodell beslutsmodell snarare än en generativ sådan: en HTTP POST in, typad JSON ut, noll output-tokens. Abstentionsfältet är den funktion som lanseringen lutar sig allra mest mot, och det är den funktion du kan stänga av med en enda parameter. Huruvida den appellen håller är en fråga om kalibrering, och referenspunkten är TypeSafe AI's Jev-1.13 – den beslutsmodell som den här bloggen har behandlat mest, och den man redan kan anropa via OrcaRouter.

Ställ de två vid sidan om varandra, och skillnaden är vad varje modell accepterar som indata. Jev besvarar skrivna frågor om text. Bivia tar emot text, bilder, dokument, kod, sensorsignaler, ljud och video och grundar sitt svar i artefakten: en bounding box, en teckenposition, en videotidsstämpel. Det de två leverantörerna delar är ett affärsproblem, inte en arkitektur. Båda säljs som ett sätt att sluta betala frontiermodellstaxor för bedömningar som resulterar i ett ja, ett nej, en etikett eller en siffra. Articul8:s version av den pitchen levereras med ett fungerande API, ett erbjudande om gratis tokens och inget publicerat pris per token, vilket gör det första beslut som Bivia tvingar på dig till ett redovisningsbeslut.

Vad Bivia faktiskt returnerar

Produktsidan är ovanligt specifik om kontraktet, vilket är värt att läsa noga eftersom pressmeddelandet inte är det. Ett beslut är en POST med din API-nyckel i BIVIA_API_KEY; svaret har samma JSON-form varje gång, vilket är hela poängen med en icke-generativ utdata. Du väljer en av nio primitiver – Decide, Choice, Boolean, Score, Set, Span, Ground, Extract och "Data science" – och svaret tvingas in i en av fem typade former. Ingen prosa, inget parsningssteg, ingen avhuggen klammerparentes vid token 4 000.

• Indata – text, bilder, dokument, kod, signaler, ljud och video, sju modaliteter genom en gemensam arkitektur i stället för separata pipelines per format.

• Utdata — Choice, Boolean, Score, Set och Span, var och en returneras med en kalibrerad sannolikhet och en fördelning över de alternativ du angav.

• Lägen — Fast kör ett beslut i en enda genomgång; Deep beslutar och utmanar sedan sitt eget beslut innan det slutgiltigt väljer; Fast kan uppgraderas med think: true. Sidans sammanfattningsrad lyder "Fast Deep Thinking" medan detaljavsnittet beskriver "Fast · Deep · Abstain", så huruvida Thinking är ett fjärde läge eller en växlingsfunktion på Fast lämnas oavgjort av leverantören.

• Avböjning – valfritt. Skicka allow_abstain: false så förbinder sig Bivia att ge ett svar varje gång, vilket tar bort skyddsåtgärden och lämnar dig med en sannolikhet som kan vara nära noll.

• Grundning – regioner, förskjutningar och tidsstämplar följer med svaret, så att en nedströmskontroll kan återöppna beviset på exakt den pixel eller sekund som modellen använde.

• Språk – 50+, där sidan bland annat listar engelska, japanska, koreanska, hindi, tamil, spanska, tyska och portugisiska.

Integrationsytan är bredare än vad ett besluts-API vanligtvis får. MCP-servrar för Claude Code, Codex, Cursor och VS Code, ett CLI och en Claude-skill, en flytande skrivbordsapp för macOS och Windows, Chrome- och Edge-tillägg som låter dig markera ett område på skärmen och fråga om det, ett Google Workspace-tillägg med formlerna =BIVIA.DECIDE, =BIVIA.CHOICE och =BIVIA.SCORE samt SDK:er i Python, Node.js, Go och Rust. Inget av detta ändrar vad modellen är. Det innebär att provperioden kostar dig ett kommando i stället för ett integrationsprojekt.

Avstå-omkopplaren är hela produkten, och det är den minst mätta aspekten av den.

Att avstå är rätt idé och den svårare hälften av påståendet. Ett beslutsfattandelager som gissar är sämre än en generativ modell som gissar, eftersom ett typat svar ser granskningsbart ut oavsett om det var välgrundat eller inte. Så den intressanta frågan är inte huruvida Bivia kan returnera avståenden – API:et visar att det kan – utan huruvida dess konfidens är tillräckligt kalibrerad för att avböjandena ska hamna på de verkligt tvetydiga fallen och de svar den binder sig till på de tydliga. Det är en mätbar egenskap, och Articul8 har inte publicerat någon mätning av den.

Det som finns i stället är oberoende arbete inom kategorin. JEVal, ett riktmärke som introducerades i arXiv 2610.03935, testar 25 modellkonfigurationer på 11 257 instanser hämtade från 36 datamängder inom 10 tillämpningsdomäner. Dess slutsats är skarp: allmänna beslutsmodeller presterar bäst när svaret kan avgöras utifrån bevisen framför dem, och blir mindre tillförlitliga när specialistkunskap krävs eller när osäkerhet måste uppskattas troget. Formuleringen i abstraktet är att dessa modeller kan välja det mest sannolika resultatet samtidigt som de "avsevärt överdriver dess sannolikhet". Samma artikel kör τ-bench och finner att snabbare lokala beslut förkortar episoder – men den övergripande uppgiftsframgången sjunker när fel ackumuleras över en lång bana.

Det andra fyndet träffar direkt argumentet för att placera en beslutsmodell vid varje steg i en agent. Sammansättning är det felmönster som ett noggrannhetstal per steg döljer: ett steg som har rätt 90 % av tiden har rätt 59 % av tiden efter fem beroende steg. Ett separat förregistrerat test på Zenodo (SILT-RP-010) körde sju beslutsmodeller genom 799 opublicerade ja/nej-beslut och fann endast en konfiguration som stämde överens med sitt eget kalibreringspåstående; Jev landade på ett ECE på 0,052, vilket författarna registrerade som inkonklusivt snarare än bekräftat. Inget av detta handlar om Bivia, och inget av det bör läsas som en dom över Bivia. Det är den standard som kategorin hålls till, och Bivia har ännu inte hållits till den.

Där det finns data från praktiska tester är den så tunn att det går att vara ärlig om den. En utvecklare körde 42 märkta beslut från sin egen kodningsagent som arbetar över natten genom Jev-1.13 och Clef-Flash, och båda hanterade de tio åtgärdsvalen för datoranvändning perfekt, inklusive två säkerhetsfällor – varav en krävde att man avstod – medan båda missade samma fyra övervakningsfall. Han beskriver det själv som "ett benchmark med 42 fall från en persons agent, inte en artikel". Bivia ingick inte.

Den centrala benchmarken namnger sitt jämförelseobjekt, vilket är mer än vad de flesta lanseringar gör.

Articul8s interna test för verktygsrouting ger Bivia 0,91 mot Jevs 0,84, och releasen anger det vid namn i stället för att gömma sig bakom "en ledande konkurrent". Det förtjänar beröm; namngivna jämförelseobjekt kan falsifieras på ett sätt som anonyma inte kan. Resten av benchmarkblocket behöver kraftfullare märkning:

• Verktygsrouting — Bivia 0.91 vs Jev 0.84, leverantörsinternt, metodik ej publicerad.

• Slutförande av arbetsflöden från början till slut – ungefär 73 % mot 37 % för jämförelsemodellen, en siffra som förekommer i Articul8:s lanseringsinlägg snarare än i pressmeddelandet.

• Energi- och Verilog-uppgifter — 100 % noggrannhet på utvalda uppgifter efter domänanpassning. Själva utgåvan flaggar dessa som in-distribution, vilket innebär att uppgifterna liknar anpassningsdatan; det är ett uttalande om passform, inte om generalisering.

• Svarsstabilitet — Articul8 hävdar att konkurrenter, däribland Jev, ändrade svar i ungefär en av åtta körningar när alternativen ordnades om, medan Bivia förblev konsekvent. Inget testramverk, urval eller uppsättning alternativ redovisas.

Asymmetrin som är värd att lägga märke till finns på andra sidan av jämförelsen. Jev har genomgått oberoende utvärdering: 37 datamängder i en arXiv-studie, JEVal-sviten, det förregistrerade kalibreringstestet och flera utvecklardrivna testramverk. Bivia, som är en dag gammal, har ett pressmeddelande och en produktsida. Det är normalt för lanseringsdagen och inte en kritik av modellen – det är en anledning att behandla 0,91 som ett tal att reproducera snarare än ett tal att planera kring.

Prissättning: du betalar för indatatoken, och det finns ingen prislista att beräkna det med.

De kommersiella villkoren är enkla till sin form och tomma där det spelar roll. Ingen prenumeration. Du betalar bara för indatatoken, vilket är följdriktigt för en modell som inte genererar några. De första 10 000 användarna får upp till 1 miljard tokens gratis. Åtkomst kräver registrering på articul8.ai/bivia. Det som saknas är den faktiska taxan: inga dollar per miljon indatatoken finns på produktsidan, i pressmeddelandet eller i lanseringsinläggen. Sidans kostnadsgrafik – en jämförelse med ”¢$$$ 1 forward pass” – är illustrationer, inte priser.

Utan en taxa kan du inte göra den enda beräkningen som hela kategorin vilar på, nämligen om ett beslutsanrop är billigare än det generativa anropet som det ersätter. Articul8:s egna demonstrationssiffror gör lockelsen synlig utan att göra den beräkningsbar: 10 058 beslut mot telemetri för datacenterkylning på ungefär 15 sekunder, varav 13 avstod och överlämnades till en operatör; 200 waferpartier och 1 000 beslut under ett 12-timmarsskift, fem anrop per parti över åtta litografiscannrar; en enda körning angiven till $0,40 utan att säga vad den körningen innehöll. Vart och ett av dessa är en demonstration som leverantören har fångat och spelat upp igen, och flera exempel på sidan är uttryckligen märkta som illustrativa.

Gratisnivån är det praktiska svaret för tillfället. En miljard indatatokener räcker för att köra en riktig pilot – några hundra märkta fall genom Fast och Deep, med avståelse på och av – innan någon behöver ge dig ett pris. Den piloten är det enda sättet att lära sig din avståelsefrekvens på dina egna data, och avståelsefrekvensen är det som avgör om kalkylen går ihop. En strikt tröskel skickar fler fall till människor; en lös låter självsäkra misstag gå igenom. Den avvägningen mellan täckning och risk är kärnan i selektiv klassificering, och inget leverantörsbenchmark ersätter din egen tröskel.

Video och dokument är där Bivia inte längre liknar de andra beslutsmodellerna

De textbaserade beslutsmodellerna – Jev, Clef, de olika öppna återuppbyggnaderna – tar emot skrivna frågor om text och returnerar sannolikheter. Bivias gemensamma arkitektur över sju modaliteter är en annan produktkategori som bär samma etikett, och demon som visar den är en 52 minuter lång 4K-dokumentär om Internationella rymdstationen som matas in bildruta för bildruta i en enda förfrågan och lyfter fram sekundlånga händelser som stadsbelysning på nattsidan och ett norrsken. Att sampla bildrutor hade missat dem; påståendet är att Bivia inte samplar.

Det är en genuint annorlunda förmåga, och den pekar mot de industriella användningsfall som Articul8 faktiskt säljer: inspektionsvideor där händelsen utgör tre sekunder av fyrtio minuter, ingenjörsritningar, tabeller och diagram, sensorkurvor. De namngivna kunderna är Hitachi Energy, CTC, AZing och Megazone, och plattformen kring Bivia ansluter till fler än 25 företags- och driftssystem, med driftsättning i publika, privata, suveräna och luftisolerade moln. Domänanpassning är dock säljstyrd – sidans egen anvisning för detta är "Prata med oss om din domän". Så siffrorna för 100 % inom energi och Verilog beskriver anpassade driftsättningar som byggts med hjälp av Articul8, inte en modell som du laddar ner och riktar mot din anläggning en tisdag.

Var en beslutsmodell hör hemma i en agent – och varför det är en routingfråga

Arkitekturen som är vettig är inte ”att ersätta LLM:en med Bivia”. Det är en kedja i tre delar: deterministiska regler absorberar de fall de kan avgöra, beslutsmodellen tar de avgränsade bedömningar som återstår och returnerar en etikett med en sannolikhet, och applikationen validerar etiketten mot policy och behörigheter innan något händer. Först då väljer arbetsflödet mellan en billig åtgärd, ett anrop till en frontiermodell och en människa. En beslutsmodell är ett rekommendationssteg, inte en auktoritetskälla – den kan inte godkänna en sammanslagning, en utgift eller ett överhoppat godkännande, och en välformad etikett som valts av fel anledning är fortfarande fel.

Vilket innebär att den operativa frågan handlar om routing, och den har tre delar: vilka steg som går till beslutsnivån, vilka som eskaleras till en generativ modell när sannolikheten är låg eller när svaret avstås, och vad som sker när själva beslutsändpunkten är långsam eller nere. Det är formen för en routingpolicy, och det är vad routing-DSL:en i OrcaRouter är till för – att sammanställa ett beslutsanrop och en generativ reservlösning till ett enda anrop, med automatisk failover bakom det så att en avståelse eller ett avbrott på endera sidan har ett definierat nästa hopp i stället för en agent som sitter fast. Den generativa halvan av den kedjan är där genomströmningsprissättningen spelar roll: ett API för fler än 200 modeller till leverantörens listpris med 0 % påslag, så när en leverantör sänker ett pris ändras den taxa du routar till samma dag.

Ett ärligt förbehåll om tillgänglighet. Bivia finns inte i OrcaRouters katalog – den nås via Articul8s eget API och leverantörens plattform, och ingen annanstans som vi kan garantera. TypeSafe AI:s Jev-1.13 finns i katalogen, vilket gör ett sida-vid-sida-test av den värdbaserade beslutsmodell vi faktiskt erbjuder till en övning med bara en nyckel; att prova Bivia innebär ett andra avtal och en separat autentiseringsuppgift. Om du vill se om ett beslutsled är värd sin plats innan du skriver under något, är den asymmetrin det billigaste experimentet som finns.

Vem bör prova Bivia nu, och vem bör vänta?

Prova det om dina beslut lever i artefakter snarare än meningar – inspektionsvideo, ritningar, skannade anspråk, sensorloggar – eftersom det är den del av Bivia som ingen konkurrent i beslutsmodellsvågen just nu matchar, och den kostnadsfria tokenkvoten täcker piloten. Prova det om du redan är Articul8-kund med plattformen driftsatt, eftersom Bivia också körs i Bivia Studio vid sidan av den pipeline du har; eller om du behöver luftseparerad eller suverän driftsättning, vilket support på företagsnivå omfattar. Prova det om en kodningsagent är där du skulle använda det, eftersom MCP-servrarna och curl-installeraren gör det till ett tio minuters test i stället för ett projekt.

Vänta om du behöver ett enhetspris för att modellera utgifter, för det finns inget. Vänta om upphandlingen kräver ett oberoende benchmark eller en publicerad avståendefrekvens, för inget av dem finns ännu. Vänta om du behöver vikter som du kan hosta, licensvillkor som du kan läsa eller ett latens-SLA – inget av det har släppts. Och vänta om domänanpassningen är hela värdet: gapet mellan Bivia direkt ur lådan och Bivia anpassad till din domän är inte offentliggjort, och det gapet är exakt det du skulle köpa.

Tre saker skulle avgöra saken, och alla tre är leverantörens ansvar att publicera: ett priskort per token, en avståendefrekvens mätt på en testrigg som någon annan kan köra, och resultat på ett benchmark som är äldre än lanseringen. Tills dess är den rimliga tolkningen av Bivia ett väl specificerat API kopplat till en ovanligt stark modalitetshistoria, sålt på benchmark som det egna teamet genererat, med det mest intressanta beteendet – att veta när man ska avstå – lämnat som något du själv bör mäta. Avståendebrytaren är gratis att prova och, enligt den tillgängliga evidensen, fortfarande det bästa skälet att göra det.