AutoTrust AI Rilis JEV-27B, Model Keputusan Terbuka yang Berjalan di Satu GPU

AutoTrust AI merilis JEV-27B pada 29 September 2026 dari Singapura, melanjutkan lini model keputusan yang dirintis JEV-9B. Model ini dirancang untuk pekerjaan yang berbeda dari model bahasa biasa: ia menjawab pertanyaan biner, pilihan ganda, dan penilaian skala 0 sampai 5 dalam satu lintasan maju, dan mengembalikan probabilitas terkalibrasi untuk setiap opsi. Arsitekturnya menambahkan blok keputusan berisi 108,9 juta parameter, sekitar 0,4 persen dari ukuran total, di atas tulang punggung Qwen3.8-27B yang dibekukan, sehingga satu himpunan bobot bisa melayani keputusan cepat maupun generasi dan penalaran bertahap.

Bobotnya dirilis dengan lisensi Apache-2.0 dan dijalankan pada satu NVIDIA B200 di dalam infrastruktur pelanggan. Menurut AutoTrust, pelatihan blok keputusan itu memakan sekitar 9,2 jam B200. Kesetiaan pada model dasarnya dijaga lewat desain: ketika blok keputusan dimatikan, seluruh 164 penyelesaian HumanEval yang dihasilkan dilaporkan identik byte per byte dengan keluaran model dasarnya, dan skor HumanEval model dasar tercatat 78,0 persen. Artinya penambahan jalur keputusan tidak mengubah kemampuan generasi yang sudah ada.

Soal performa, angka yang dipublikasikan adalah angka yang dihitung perusahaannya sendiri, bukan hasil uji pihak ketiga, dan perlu dibaca dengan catatan itu. Dari enam kelompok benchmark keputusan teks publik, JEV-27B dilaporkan meraih 88,70 persen pada JevBench, 83,75 persen pada Kev, 73,89 persen pada OpenJev text, 92,91 persen pada Nimble, 77,46 persen pada VitaminC, dan 87,71 persen pada MASSIVE-en, dengan rata-rata enam kelompok 84,07 persen. AutoTrust juga membandingkannya dengan API Jev 1.13 yang mereka kelola sendiri dan menyebut selisihnya tipis, sambil mengakui perbandingan itu bersifat internal dan bukan validasi independen.

Keterbatasannya disebut terbuka oleh perilisnya: penalaran bertahap berlapis, aritmetika, pertanyaan tanggal, dan masukan yang bersifat menyerang termasuk titik lemah, dan data latihannya berpusat pada bahasa Inggris. Yang menarik justru demonstrasi penggunaannya. Dalam reel yang dirilis bersama model, satu JEV-27B yang dijalankan sendiri bertindak sebagai mesin keputusan untuk sepuluh tugas: bermain Doom dengan 64 keputusan dalam latihan menembak, mengendalikan drone simulasi di lintasan rintangan MuJoCo, menjalankan pencarian Google Flights Zurich ke London dan memverifikasi 21 hasil, menavigasi Wikipedia sampai teorema ketidaklengkapan Godel, menandai empat risiko regresi pada contoh perubahan kode otorisasi, dan mengarahkan tiket pengembalian dana ke tim dukungan.

Bagi tim yang membangun agen di sektor yang sensitif, tawaran seperti ini menarik karena satu alasan yang sangat praktis: keputusan rutin, misalnya apakah sebuah transaksi masuk daftar pantauan atau tiket mana yang harus naik ke petugas manusia, bisa dijawab murah dan konsisten tanpa mengirim konteks ke API pihak ketiga. Model seperti ini juga bisa dijalankan berdampingan dengan model penalaran di mesin yang sama. Bobot, adaptor keputusan, kode pelatihan dan penyajian, dukungan vLLM, serta laporan evaluasi penuh disebut tersedia pada halaman Hugging Face autotrust/JEV-27B.