首页 博客

介绍Aplomb 1

介绍 Aplomb 1,一个适用于文本、JSON、图片、视频和音频的决策模型

Oct 5, 2026

EmpirioLabs AI

披露: 本文在 AI 辅助下撰写,并由 EmpirioLabs AI 审阅。

Aplomb 1 是我们的第一个模型。它在一次请求中接收文本、JSON、图片、音频和视频,读取最多 100 万个令牌,并在大约 3 秒内对一个 100 万个令牌的文档做出决策。一个简短的问题大约需要 15 毫秒的模型时间。

它运行在我们为决策模型构建的推理运行时上。在我们的API和Playground中,长文档会经过快速长上下文模式:一个100万令牌的文档大约需要3秒,而111秒,快速模式在长上下文测试中正确回答了全部525个决策。

对于代理,Aplomb 1 在一次请求中返回每个工具以及每个枚举和布尔参数的概率,因此当模型确定时行动,不确定时升级。每个答案都经过校准,并且可以判断输入中没有答案,而不是猜测。它为软件每天做的数千次决策而构建,从路由工单到选择代理的下一个工具。

在发布的Decision Index 0.2.1板(2026年9月28日数据)中,它在4B模型中排名第1,官方套件中排名第44.86,在38个基准中8个参数参数最高为53亿的模型中排名第#1。在2026年10月12日的Decision Index 0.3.2板上,它在R-Bench-M、GPQA Diamond和cfcolor的尺寸类别中排名第1。目前它在EmpirioLabs API和Playground中可用,权重显示在Hugging Face的EmpirioLabs型号许可下。

Aplomb 1 一览
输入文本、JSON、图片、视频和音频,任何混合形式都可以
窗户1,000,000个状态代币加问题
问题是或否,选择(2到255个选项),评分(2到10级),工具选择
在州内没有输入不包含答案的概率
工具选择下一个调用工具,并包含其枚举和布尔参数的概率
速度短问题约为15毫秒的模型时间;快速长上下文模式下,100万令牌文档约为3秒
API 格式Decisions API,以及OpenAI、Anthropic和Gemini格式
账单仅输入标记;输出标记始终为零
数据保留默认为零数据保留
规模53亿参数,基于Qwen3.5-4B构建;拥抱脸上的开放权重
决策索引 0.2.1官方套件的运行量为44.86,在发布的0.2.1板板上4B型号中排名第91(数据截至2026年9月28日)
决策指数 0.3.2R-Bench-M(最高25B)、GPQA Diamond和cfcolor(8B以下)尺寸类别的#1,2026年10月12日的板块
打字决策2026年10月8日,拥抱面排行榜默认视图中,吉隆坡分量(0.123)和布赖尔分数(0.065)#1

答案是什么

四种题型。 努尔 回答是或否,概率是。 选择 从2到255个选项中选择一个,并返回全部分配。 配乐 将国家设定在2到10级的有序等级上。 工具 选择调用你的函数工具,并返回其枚举和布尔参数的分布。

不在这个州。 添加 “弃权”:正确 对一个问题和答案也带有状态不包含问题所需内容的概率。没有载子字段的记录会获得较高的弃权概率,而非信心猜测。

独立回答。 最多128个问题共享一个状态,每个问题单独回答,因此添加一个问题不会改变另一个答案。

代理人的工具选择

给 Aplomb 1 你的代理函数工具和当前状态(工单、对话、记录),它会在一次请求中返回下一个调用工具,每个工具的概率和每个枚举和布尔参数的分布。通用的大型语言模型会逐个标记调用工具,不会说明对工具或任何参数的确定性。代理在概率高时行动,低于时将步骤交给更大的模型,因此常规步骤跳过生成的答案。我们未发现其他决策模型能返回参数概率。

一张写着“订单B-44120送达时屏幕破裂的工单。我要退钱。”带着三把工具, issue_refund (a 原因 枚举和 full_refund 布尔值), track_package 以及 escalate_to_human返回为(简略,圆润):

{“tool”: “issue_refund”, “probabilities”: {“issue_refund”: 0.969, “none”: 0.025, “escalate_to_human”: 0.005, “track_package”: 0.002}, “arguments”: {“issue_refund”: { “reason”: {“value”: “damaged”, “probabilities”: {“damaged”: 0.993, “not_as_described”: 0.007, “late”: 0.001}}, “full_refund”: {“value”: true, “probability_true”: 0.761}}, “open_arguments”: {“track_package”: [“order_id”]}}

自由文本参数,如顺序ID,列于下方 open_arguments 由经纪人来填补。

混合输入,最多100万个代币

文本、JSON 对象和数组、图片、视频和音频会处于同一状态,组合任意:客户记录旁有支持通话录音,理赔表旁有行车记录仪片段,商品照片放在商品列表旁边。状态加上最长的问题可能达到100万token,足够一次性申请一份长合同捆绑包、一年的工单或数小时的文字记录。

评分

我们对同一项目运行了Aplomb 1和三个开放的4B决策模型,并将Intern-Decision发布的Jev、JevK5和SemIf的数据放在旁边。在七套套件的Intern-Decision报告中,Aplomb 1的平均得分率为88.7%。与Jev已发布的Decision相比,它在JevBench Hard和打字决策中领先,在JevBench Easy中持平,落后于JevBench Original、ToolACE、AG News和WildJailbreak。其最大领先优势是JevBench Hard,+5.4分。

Accuracy of Aplomb 1 and other decision models on eleven benchmarks
图1。决策基准的准确性。实心标记是我们对相同项目的运行,具有95%的自助间隔;空心标记是Intern-Decision发布的数字。
基准测试装甲1Jev(p)JevK5 (p)Semif (p)实习生决策4BKev 4BOmniJev 4B
JevBench Easy100.0100.0100.0100.0100.0100.087.5
JevBench 原版95.898.697.298.6100.093.172.2
JevBench Hard77.572.173.961.371.254.152.3
类型决策74.073.364.562.880.867.061.3
ToolACE89.491.381.085.296.587.488.1
AG新闻88.889.689.189.290.889.789.6
野狱突破95.696.390.592.590.293.592.3
平均值88.788.785.284.289.983.577.6

(p) 由Intern-Decision发布的同项数据。Intern-Decision报告其4B模型对该捆绑的90.02;列中显示我们的运行。

基准测试装甲1实习生决策4BKev 4BOmniJev 4B
校准试点70.858.369.853.1
ANLI R354.054.250.8n/a
Banking77(77个选项)74.6n/a84.068.4
CLINC150(150个选项)87.0n/a77.866.8

长输入

我们测量了订单账本中的查询次数,从16K到1M代币,关于一个订单在随机深度下放的问题。

Aplomb 1 accuracy from 16K to 1M tokens
图2。随着输入增长,精度在规定长度的订单账簿上测量。
输入长度(代币)16K128K240K512K1M
装甲1100.0100.0100.0100.096.8

几秒钟内完成长文档

在EmpirioLabs API和Playground中,默认读取超过131,072个令牌的状态会在快速长上下文模式下读取。一个1M令牌文档大约需要3秒,而完整读取大约需要111秒,在我们的长上下文测试集中,快速模式正确回答了全部525个判定,而完整读取的准确率为95.2%。

Decisions correct by document length for fast mode and a full read
图8。在我们的长上下文测试集(164份文档,131K至100万个令牌,525个决策)、快速模式和完整读取中,决策通过文档长度进行修正。
Seconds per decision by document length for fast mode and a full read
图9。通过API的服务器中位数服务器时间,按文档长度、快速模式和完整读取。
文档长度(令牌)228K513K797K979K
快速模式1.9秒2.4秒2.8秒3.0秒
全文阅读8.8秒34秒76秒111 s

发送 “long_context”:“满” 读取每一个标记。当答案依赖于整个文档时,比如计数、整体语气,或确认某事从未出现时,完整阅读是更好的选择:在为测试这些问题而构建的24份文档中,快速模式正确了50%的决策,完整读取正确率为61%。回答是 long_context 字段表示所使用的模式,使用量在两种模式下计入整个状态。快速长上下文模式仅在EmpirioLabs API和Playground中提供;开放权重读取所有令牌。

校准

概率只有在字面意思都准确时才有用。在九个文本套件中,Aplomb 1的标注置信度追踪其正确频率:其合并校准误差为3.6,Intern-Decision 4B为5.0,Kev 4B为4.0(越低越好)。

Reliability diagrams for Aplomb 1 and two open decision models
图3。陈述置信度与观察准确性,汇集九个文本套件。

图片、视频与音频

基准测试(前500件)装甲1实习生决策4BOmniJev 4B
教皇89.089.288.4
MMStar68.665.264.4
AI2D87.081.083.4
嗯嗯57.257.056.0
幻觉长椅79.879.471.2
Aplomb 1 and OmniJev accuracy on three video benchmarks
图4。关于视频的决策。实习生决策,Kev和Jev不接受视频。
基准测试装甲1OmniJev 4B
温度指南针79.373.6
视频-MME(简称)80.772.2
NExT-QA82.679.8

我们自己也为 Aplomb 1 添加了音频;上述其他决策模型都不接受音频。它识别语音、语音中的情感和日常声音,并回答关于所说内容的问题:

基准测试装甲1
声响(声响)91.9
CREMA-D(言语中的情绪)78.7
ESC-50(环境音效)77.0
MMAU(音频问题)68.3
MMSU(口语)63.2

音频结果于2026年10月6日更新,新增了Aplomb 1的音频权重;文本、图片和视频结果保持不变。

51种语言

Aplomb 1 决定多种语言的文本,而不仅仅是英语。在 MASSIVE 中,每个语音助手请求都用 51 种语言中的一种书写,而问题和 59 个意图标签则保持英文。在没有任何 MASSIVE 培训的情况下,Aplomb 1 在 59 种意图中选择时平均 75.0%,英语为 91.0%,其中 39 种意图中达到 70% 或以上。

Aplomb 1 intent accuracy in each of 51 languages
图5。零样本大规模意图准确率,每种语言100个测试请求,59个意图中可选一个。

参考,Laya 项目报告其多语言模型在相同 51 种语言中选择 20 种意图时为 40.1%,JevK5 项目报告英语中 60 种意图中为 73.8%。

决策指数

决策指数 0.2.1(2026年10月5日)

决策指数0.2.1平均涵盖五个领域38个公开基准:知识与推理、语言理解、检索与分类、工具与自动化,以及艺术与人类品味。每个基准均经过概率修正,0表示随机猜测,100表示完美。

我们于2026年10月5日在Aplomb 1上运行了官方套件,回答了全部150,317个可评分请求。Aplomb 1的评分为44.86。这是我们自己的套件运行版本,不是发布板上的条目。

Bar chart of Decision Index 0.2.1 scores: Aplomb 1 44.86 on our run of the official kit, ahead of every 4B model on the published 0.2.1 board; next are JPT-4B at 43.04 and Jet v6.2 at 42.60.
图6。决策指数0.2.1,Aplomb 1和4B模型在已发布的板上得分。青色条纹是Aplomb 1,我们官方套件的版本。灰色条纹是发布板上的条目,数据截至2026年9月28日。

在发布的Decision Index 0.2.1板(数据截至2026年9月28日)中,Aplomb 1在4B模型中排名第91,在38个基准测试中有8项参数达到53亿的模型中排名第#1,包括MMLU-Pro、GPQA Diamond和BBH。在该板上,4B模型的最高分是JPT-4B的43.04,比Aplomb 1低1.82分。

The 8 Decision Index 0.2.1 benchmarks where Aplomb 1 has the top score among models up to 5.3B on the published 0.2.1 board: BBH, MMLU-Pro, GPQA Diamond, NLI4CT, PhishNChips, HoVer, Humicroedit and POP909
在发布榜单上,Aplomb 1在最高53亿分的模型中获得最高分的8个基准,涵盖科学与推理、临床试验、事实核查、钓鱼、音乐和幽默。
Area scores for Aplomb 1 and JPT-4B across knowledge and reasoning, language understanding, retrieval and classification, tools and automation, and arts and human taste.
图7。Aplomb 1和JPT-4B(已发布榜上最佳4B模型)的面积分数,概率校正为0至100。

按领域划分,Aplomb 1在工具与自动化(62.4)以及检索与分类(49.5)方面得分最高。与JPT-4B相比,它在五个领域中的四个领先,在语言理解方面落后(48.3对52.5)。

决策指数 0.3.2(2026年10月12日)

Aplomb 1 在 Hugging Face 上发布的决策指数 0.3.2 板上,在 37 个公共文本基准上排名 149 个决策模型,在另外 11 个基准中排名 33 个愿景模型。在 2026 年 10 月 12 日的板块上,它在三项测试中位列其规模类别的 #1:

  • R-Bench-M关于科学、工程和医学图片的专家问题:29.6,在Vision板上25B以下的模特中排名第1。下一个25B的模特,12B,得分24.9,最佳4B模特19.5。只有26B到36B的模特得分更高。
  • GPQA钻石,196道博士级科学题:48.0%,在8B以下模特中排名第1(次为44.9%)。
  • cfcolor,5,000条色彩调色板偏好预测:65.6%,在8B以下模特中文本板排名第#1(次为64.7%)。
R-Bench-M on the Decision Index 0.3.2 Vision board with the Parameters filter at up to 25.0B: 1 Aplomb 1 29.6, 2 Winnow-12B 24.9, reference Qwen3-VL-8B 21.9, 3 vLLM-SR d3-flash (9B) 20.8, 4 JPT-4B 19.5.
图10。决策指数0.3.2愿景板上的R-Bench-M,参数设为25B,2026年10月12日。Aplomb 1以红色标出。

要查看此视图,请打开 愿景板,将参数设为25B,并打开R-Bench-M的完整排名。

披露。 Aplomb 1的训练数据包括WinoGrande和ContractNLI的公共列车拆分,这两项基准器均为决策指数0.2.1和0.3.2中的基准。我们无法完全验证索引项目是否被排除在最早的训练数据中。

打字决策

Typed Decisions 是官方的 Hugging Face 基准测试(LocalLLaMA/typed-decisions).其测试分配包含400个案例和2000个决定,每个答案均为与金色分布的概率分布。2026年10月8日,其排行榜在默认视图中将Aplomb 1在KL与金分布的分歧度(0.123)和Brier分数(0.065)方面排名为#1;两者均较低更佳。以53亿的成绩领先于约其五倍的27B模型,后者得分分别为0.204和0.097。

The Typed Decisions leaderboard on Hugging Face, task KL from gold, Base only on: 1 empiriolabsai/aplomb-1 0.12, 2 FINAL-Bench/Darwin-27B-ZTC 0.2, 3 adaptive-classifier/typed-decisions-minilm-l6-specialist 0.25.
图11。拥抱脸,任务KL从金色开始,2026年10月8日的打字决策排行榜。分数四舍五入为小数点两位;Aplomb 1以红色描边。
The Typed Decisions leaderboard on Hugging Face, task Brier, Base only on: 1 empiriolabsai/aplomb-1 0.07, 2 FINAL-Bench/Darwin-27B-ZTC 0.1, 3 adaptive-classifier/typed-decisions-minilm-l6-specialist 0.14.
图12。同一排行榜,任务Brier,2026年10月8日。

排行榜上的结果由每个模型作者自行报告。Aplomb 1的训练数据包括基准的训练分段;测试分段未用于训练。

相比如何

根据截至2026年9月29日的官方文档,以及截至2026年10月6日的价格,每个决策模型或API接受和回答的内容:

Aplomb 1 compared with Jev 1.13, the OpenAI Decisions API preview, Intern-Decision 4B and Laya on question types, tool calls with argument probabilities, the not-in-the-input answer, inputs, context window, 1M-token speed, API formats, price per 1M input tokens and open weights
根据截至2026年9月29日各型号发布的文档,Aplomb 1与2026年10月6日的价格进行比较。
装甲1Jev 1.13OpenAI 决策 API(预览版)实习生决策4B拉亚
题型是或否,选择,评分,工具是或否,选择,评分在列出的答案中选择是或否,选择,评分是或否,选择,评分
带参数概率的工具选择是的不未记录不不
州里的答案不是这样是的不未记录不不
输入文本、JSON、图片、视频、音频正文文本,图片文本,图片正文
窗户1,000,000 代币64K代币未发表8,192枚代币512到8,192代币
每100万输入代币的价格$0.02$0.042未公布自托管$0.02 Runware
开放式重量是的不不是的是的

速度与计费

Aplomb 1 运行在EmpirioLabs自身的决策模型推理运行时上。一个短问题大约需要15毫秒的模型时间,一个带有图像的问题大约需要35毫秒,一个包含15,000令牌的文档大约需要0.3秒,一个100万令牌的状态在快速长上下文模式下大约需要3秒,默认值超过131,072个令牌,或全程读取约111秒。

你只为输入代币付费:每个请求一次状态和每个问题的文本,绝不为提示模板付费。输出代币始终为零。当前速率是 模型页面 页:1 定价页面。 。 。.

默认为零数据保留:我们不会保留您的请求或回复内容。

开放式重量

Aplomb 1 基于 Qwen3.5-4B 构建。我们将窗口从262K扩展到100万个令牌,增加了Qwen3-Omni音频编码器的音频输入,添加了自己的决策头,将每个答案以校准概率返回,而非生成文本,并训练了决策模型,包括工具选择和not-in-the-input答案。对于API和Playground,我们构建并优化了自己的推理运行时。

权重和自己运行的参考脚本是 huggingface.co/empiriolabsai/aplomb-1.脚本的回答可能与API略有不同。

年收入低于US$1百万的组织的研究、评估、个人使用和内部使用均可根据EmpirioLabs模型许可免费;将Aplomb 1作为服务托管或将其用于销售给他人的产品则需商业许可。

开始吧

curl https://api.empiriolabs.ai/v1/decisions \ -H “授权:持有人 $EMPIRIOLABS_API_KEY” \ -H “内容类型:application/json” \ -d '{ “型号”:“aplomb-1”, “state”: {“order”: {“id”: “B-44120”, “status”: “已发货”, “付款”: “未付款”}}, “questions”: { “已付款”: {“type”: “noul”, “instructions”: “订单B-44120已付款吗?”, “abstain”: true}, “carrier”: {“type”: “choice”, “instructions”: “哪个承运人正在交付订单B-44120?”, “criteria”: {“UPS”: null, “FedEx”: null, “DHL”: null}, “abstain”: true} } }'

有偿 结果是自信地否定。 载体 带着兴奋回来 禁制 概率,因为记录中没有标注载波。完整的模式、媒体输入和限制都在 决策API指南.Aplomb 1 也接受 OpenAI、Anthropic 和 Gemini 格式的请求,所以你可以从他们的 SDK 中调用;指南的 聊天格式 部分展示了聊天请求如何映射到决策。试试在 Playground。 。 。.

致谢

我们在数据、训练、评估和部署等多个方面借助AI代理工具构建了Aplomb 1。感谢Qwen团队为Qwen 3.5和Qwen3-Omni(Aplomb 1基于此构建)、Lambda为我们训练和提供GPU的贡献,以及NVIDIA Inception项目、Z.ai 创业项目和StepFun创业项目的支持。

准备好使用更好的终端了吗?

欢迎浏览我们的模型,或联系我们洽谈业务咨询、定制部署或其他任何事宜。