Black FridayHiggsfield: do 63% taniej przy planie rocznym - Seedance 2.5, Nano Banana Pro, GPT Image Sprawdź ofertę →link partnerski
Przejdź do treści
Sklep

Artykuły

Modele decyzyjne AI: ranking, polski basal i test po polsku

Model decyzyjny wybiera odpowiedź z listy zamiast pisać tekst. Clef, Clef-flash, Strands Decider 2B i Kev - licencje, ceny, wymagania i test na polskich zgłoszeniach.

Tekst: 17 min czytania
Modele decyzyjne AI: ranking, polski basal i test po polsku
Spis treści 13
  1. Jak to działa
  2. Ranking Artificial Analysis: Decision Index
  3. Co mierzą cztery testy
  4. JevBench i polski basal
  5. Mój test 13.10: 50 polskich zgłoszeń i 10 decyzji o narzędziach
  6. Lokalnie na RTX 4090
  7. Kiedy model decyzyjny, a kiedy LLM
  8. Ceny API
  9. Dostęp z Polski
  10. Modele decyzyjne: kto, co i gdzie
  11. Jak zacząć w 10 minut
  12. Najczęstsze pytania
  13. Źródła

👁 473 przeczytań

Model decyzyjny to model AI, który nie pisze tekstu, tylko wybiera odpowiedź z listy, którą mu podajesz, i mówi, na ile jest pewny: zamiast „to zgłoszenie dotyczy chyba płatności” dostajesz platnosci: 0,97, a Twój kod sam decyduje, co dalej. 30 października 2026 w rankingu Artificial Analysis prowadzi d1-ultra od Liquid AI (65,2 pkt), tuż przed SubQ Snap 1.1 (65,0) i Elephant 9B od Baseten (64,7), który kosztuje tylko 8,4 USD za milion zadań. Polski basal-omni-1.0-ultra Remka Kinasa jest 9. wśród otwartych modeli w drugim rankingu, JevBench. W moim teście na 47 polskich zgłoszeniach modele decyzyjne trafiały dział w 41-44 przypadkach, a Claude Haiku 5.5 w 45, tyle że od 2,7 do 5,4 raza wolniej.

65,2 pktd1-ultra - lider Decision Index (30.10)
8,4 USDmilion zadań w Elephant 9B (64,7 pkt)
63 msCeleris-1 Decision - najszybszy
44/47najlepszy wynik modelu decyzyjnego w moim teście

Ujawnienie: model Jev znam z wcześniejszego rozpoznania. We wrześniu napisałem do niego prostego klienta API z myślą o własnych narzędziach redakcyjnych. TypeSafe nie zamawiało ani nie opłaciło tego przewodnika, a wyniki Jeva podaję z niezależnych pomiarów Artificial Analysis i z mojego testu, w którym wszystkie modele dostały te same zadania.

Jak to działa

Zwykły model językowy pisze odpowiedź słowo po słowie, nawet gdy ma zwrócić jedno słowo albo JSON. Może więc odpowiedzieć opcją spoza listy, a jego „pewność” to liczba, którą sam wymyślił. Model decyzyjny dostaje stan (np. treść zgłoszenia) i nazwane pytania z zamkniętymi odpowiedziami, a zwraca prawdopodobieństwo każdej opcji. Pytania są trzech typów: wybór z listy (choice), tak/nie (noul) i ocena na skali (score). Kilka pytań, np. dział, pilność i nastrój klienta, rozstrzyga w jednym wywołaniu. Ile kosztuje i jak szybko działa takie rozwiązanie w porównaniu z małym LLM, zmierzyłem w tekście modele decyzyjne vs małe modele językowe.

Płacisz tylko za tokeny wejścia, bo modele decyzyjne nic nie generują. To dlatego milion klasyfikacji kosztuje w nich kilkanaście albo kilkadziesiąt dolarów, a w małych LLM-ach od stu do kilku tysięcy.

Ranking Artificial Analysis: Decision Index

Decision Index wystartował 13 października 2026 z 11 modelami. 30 października jest w nim 20 modeli decyzyjnych, a w czołówce zmieniło się prawie wszystko: Jev 1.13, lider pierwszej wersji, spadł na 6. miejsce. Wynik to średnia z czterech testów (opis niżej), koszt to średni koszt zadania pomnożony przez milion, czas to mediana na zadanie.

Model (firma)IndeksKoszt 1 mln zadańCzas
d1-ultra (Liquid AI)65,231,8 USD93 ms
SubQ Snap 1.1 (Subquadratic)65,030,3 USD190 ms
Elephant 9B (Baseten)64,78,4 USD165 ms
Drex Max (Nace.AI)63,746,1 USD353 ms
Drex 2.0 (Nace.AI)57,941,4 USD252 ms
Jev 1.13 (TypeSafe)57,541,5 USD127 ms
Jev 1.14 (TypeSafe)57,141,5 USD78 ms
Decider v1.2 (Perplexity)56,215,1 USD206 ms
GLiDE (Fastino)53,9119,0 USD217 ms
Microsoft-Decision-153,830,7 USD207 ms
Decider v1.1 27B (Perplexity)53,116,5 USD170 ms
Mercury Decide (Inception)52,715,2 USD500 ms
Celeris-1 Decision (Celeris)52,331,6 USD63 ms
Drex 1.5 (Nace.AI)50,734,5 USD186 ms
d1 (Liquid AI)50,315,1 USD299 ms
Decider Flash v1.2 (Perplexity)50,28,2 USD110 ms
Clef (Cloudflare)48,6199,4 USD309 ms
GPT-6 Luna Decisions (OpenAI)48,578,9 USD168 ms
Clef-Flash (Cloudflare)45,831,6 USD298 ms
Clef-Omni (Cloudflare)44,3123,1 USD172 ms

Te same testy Artificial Analysis puściło na modelach językowych (poziom rozumowania w nawiasie):

Model językowyIndeksKoszt 1 mln zadańCzas
Claude Opus 5.5 (max)79,051 295 USD3571 ms
Claude Opus 5.5 (low)75,46688 USD1870 ms
GPT-6.1 Sol (low)71,52048 USD2888 ms
Claude Haiku 5.5 (max)68,42073 USD2658 ms
Claude Haiku 5.5 (low)60,6184 USD1434 ms
GPT-6 Luna (low)55,2131 USD1500 ms
Wykres punktowy: Artificial Analysis Decision Index a koszt miliona zadań. Jev 1.13 ma 58 punktów przy 42 USD, Decider v1.1 27B 53 przy 17 USD, Claude Haiku 5.5 (low) 61 przy 184 USD
Wynik w Decision Index a koszt miliona zadań w pierwszej wersji rankingu (oś pozioma logarytmiczna, w lewo = taniej). Mój wykres na danych Artificial Analysis z 13.10.2026, przed wejściem d1-ultra, SubQ Snap, Elephant 9B i Drex.

Co z tego wynika:

  • Trzy modele decyzyjne przegoniły tanie LLM-y. d1-ultra, SubQ Snap 1.1 i Elephant 9B mają więcej punktów niż Claude Haiku 5.5 na low (60,6) i GPT-6 Luna (55,2), a są od 4 do 22 razy tańsze i od kilku do kilkunastu razy szybsze. Wyżej są tylko duże modele: Opus 5.5, GPT-6.1 Sol i Haiku 5.5 na max.
  • Elephant 9B to dziś najlepszy stosunek jakości do ceny. 64,7 pkt przy 8,4 USD za milion zadań. Tańszy jest tylko Decider Flash v1.2 (8,2 USD), ale ma 14,5 pkt mniej.
  • GLiDE ma tyle punktów co Microsoft-Decision-1, a kosztuje prawie 4 razy więcej (119 wobec 30,7 USD). Fastino rozlicza też wewnętrzne przejścia modelu, który przy niepewności „myśli” dłużej.
  • Clef jest najdroższy w rankingu (199 USD w cenie Workers AI 0,24 USD za mln tokenów), choć na OpenRouterze ten sam model hostuje taniej inny dostawca.
  • GPT-6 Luna w trybie Decisions wypada gorzej niż jako zwykły LLM (48,5 wobec 55,2), za to jest 9 razy szybsza.

Co mierzą cztery testy

TestCo sprawdzaWaga
AA-Omniscience-Decisionwiedza i skłonność do zmyślania25%
HLE-MultiChoicetrudne rozumowanie25%
When2Callkiedy wywołać narzędzie, dopytać albo odmówić25%
WildGuardTestklasyfikacja bezpieczeństwa25%
  • AA-Omniscience-Decision: 500 niepublicznych pytań z wiedzy, każde z pięcioma opcjami: cztery odpowiedzi (jedna poprawna) i „nie wiem”. Połowa wagi to trafność, połowa to odsetek przypadków, w których model nie znał odpowiedzi i wybrał „nie wiem” zamiast zgadywać.
  • HLE-MultiChoice: 513 tekstowych pytań wielokrotnego wyboru z Humanity’s Last Exam (z 2500 pytań całego zestawu).
  • When2Call: zestaw NVIDII. Model widzi rozmowę i listę narzędzi i wybiera: odpowiedzieć sam, wywołać narzędzie, dopytać o brakujące dane albo przyznać, że nie da rady.
  • WildGuardTest: zestaw Ai2. Trzy decyzje: czy prośba użytkownika jest szkodliwa, czy odpowiedź asystenta jest odmową i czy ta odpowiedź jest szkodliwa. Wynik to średnie F1.

Modele decyzyjne dostają stan i pytania przez swoje API, a Artificial Analysis liczy jako odpowiedź opcję z najwyższym prawdopodobieństwem (przy pytaniu tak/nie: „tak” od 0,5). Modele językowe dostają to samo jako tekst i muszą oddać JSON ze strukturą wymuszoną przez structured output.

Wyniki w poszczególnych testach

ModelWiedza„Nie wiem”When2CallWildGuard
d1-ultra31,684,592,695,4
SubQ Snap 1.120,285,794,694,9
Elephant 9B11,693,294,893,3
Drex Max27,671,394,095,5
Jev 1.1334,635,280,793,6
Decider v1.239,416,587,794,4
Microsoft-Decision-128,239,881,988,2
Celeris-1 Decision37,80,083,793,3
d141,01,777,490,9
Claude Haiku 5.5 (low)52,454,672,692,6
GPT-6 Luna (low)66,00,077,088,5

„Wiedza” to trafność w AA-Omniscience-Decision, „Nie wiem” to odsetek przypadków, w których model przyznał się do niewiedzy zamiast zgadywać. Wniosków jest kilka:

  • W wyborze narzędzi i klasyfikacji nowa czołówka bije małe LLM-y o 15-22 punkty w When2Call, przy kilkukrotnie niższym koszcie.
  • W wiedzy modele decyzyjne zostają daleko w tyle: 12-41% trafności wobec 52% u Haiku i 66% u Luny. Fakty powinny być w stanie, który model dostaje, a nie w jego pamięci.
  • Nowe modele nauczyły się mówić „nie wiem”. Elephant 9B robi to w 93% przypadków, d1-ultra w 85%. Pierwsza fala (Celeris, d1, Decider v1.1) zgadywała w ponad 85% takich przypadków.
  • Rozumowanie zostaje słabą stroną całej kategorii: w HLE najlepszy model decyzyjny (Jev 1.13) ma 20,9%, a Claude Haiku 5.5 na low 23,6%.

JevBench i polski basal

Drugi ranking modeli decyzyjnych prowadzi hobbystycznie Florian Standhartinger w serwisie Benchmark Heaven, który deklaruje niezależność od TypeSafe. Każdy system dostaje te same 1500 decyzji, a główna tabela układa je według Capability Score, czyli trafności i kalibracji. Startują tylko modele „klasy Jeva”, najwyżej 2 razy droższe i 2 razy wolniejsze od niego. Osobno są tablice otwartych modeli i usług API.

17 października Remek Kinas, AI researcher w Ingenix.ai i współtwórca Bielika, ogłosił, że jego basal-omni-1.0-ultra prowadzi wśród otwartych modeli z wynikiem 82,5 pkt. Prowadzenie trwało krótko. Benchmark przeszedł na metodę v1.7 i doszły nowe modele, więc 29 października basal ma 82,1 pkt i jest 9. na tablicy otwartych modeli:

Model (otwarte wagi)Capability Score
baselabs mammoth-1 (27B)85,2
KnowLine 31B-Gen185,2
Fastino GLiDE 1.284,9
H2O-Lightning-31B (H2O.ai)84,3
Perplexity Decider v1.1 27B82,7
basal-omni-1.0-ultra (Remek Kinas)82,1 (9. miejsce)
Jev 1.13 (punkt odniesienia, zamknięty)77,1

Na tablicy usług API (28.10) prowadzi kettei-fat od Sqwish z 86,3 pkt, przed Super Deciderem (85,9). d1-ultra ma tam 80,5 pkt, mniej niż Drex Max (84,2) i SubQ Snap 1.1 (81,9). Oba rankingi mierzą inne zadania inną metodą, więc kolejność się nie pokrywa.

Nie przepłacaj za te subskrypcje

Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.

Zobacz, co jest dostępne

basal jest na licencji Apache-2.0, w trzech rozmiarach: mini (4 mld parametrów), max (12 mld) i ultra (31 mld), na bazie Gemmy 4. Mini i max mają wersje GGUF do Ollamy i llama.cpp oraz MLX do Maca. W Decision Index basala nie ma.

Mój test 13.10: 50 polskich zgłoszeń i 10 decyzji o narzędziach

Decision Index jest po angielsku, więc dorzuciłem własny test po polsku. Napisałem 50 zgłoszeń do sklepu internetowego: płatności, dostawa, zwroty, konto, awarie, sprzedaż i spam, część bez polskich znaków i na granicy dwóch działów. Do tego 10 rozmów w stylu When2Call: asystent ma cztery narzędzia (status zamówienia, anulowanie, dostępność w sklepie, etykieta zwrotna) i musi wybrać, czy odpowiedzieć sam, wywołać narzędzie, dopytać, czy odmówić. Klucz odpowiedzi ustaliłem przed uruchomieniem modeli.

  • Modele decyzyjne: 9 modeli z pierwszej wersji rankingu dostępnych na OpenRouterze, przez endpoint /api/alpha/decisions, w jednym wywołaniu dwa pytania: dział (7 opcji) i pilność (tak/nie, próg 0,5).
  • Modele językowe: Claude Haiku 5.5 i GPT-6 Luna przez OpenRouter, rozumowanie „low”, temperatura 0, JSON wymuszony schematem.
  • Czas mierzyłem z Polski, razem z siecią i pośrednictwem OpenRoutera, więc jest wyższy niż w pomiarach Artificial Analysis.
ModelDział (z 47)Pilność (z 50)Narzędzia (z 10)
Jev 1.13414610
Microsoft-Decision-1444210
Decider v1.1 27B444810
Mercury Decide44469
d1424310
Clef444510
Clef-Flash44446
Clef-Omni42456
GPT-6 Luna Decisions424810
Claude Haiku 5.5 (low)454610
GPT-6 Luna (low)454510

Dlaczego dział z 47, a nie z 50: w trzech zgłoszeniach wszystkie 11 modeli wybrało inną odpowiedź niż mój klucz. „Czy mogę rozłożyć płatność na raty?” oznaczyłem jako sprzedaż, a modele jako płatności; „link do zapłaty zwraca błąd 404” jako awarię, a modele jako płatności; „duplikat paragonu do zwrotu” jako płatności, a modele jako zwrot. Uznałem, że to mój klucz był dyskusyjny, i liczę wynik bez nich. Na pełnych 50 każdy model ma po prostu 3 punkty mniej.

Mediana czasu jednej decyzji z Polski przez OpenRouter, ms (mniej = lepiej)
Clef-Omni310
d1340
Jev 1.13361
GPT-6 Luna Decisions388
Decider v1.1 27B417
Microsoft-Decision-1443
Clef461
Clef-Flash517
Mercury Decide619
GPT-6 Luna (low)1371
Claude Haiku 5.5 (low)1689
Koszt miliona takich zadań w moim teście, USD (mniej = lepiej)
Mercury Decide4,4
Decider v1.1 27B7,8
Clef-Flash10,7
Microsoft-Decision-111,5
d112,9
Clef24,8
Jev 1.1326,8
GPT-6 Luna Decisions48,1
GPT-6 Luna (low)49,5
Clef-Omni72,5
Claude Haiku 5.5 (low)96,7

Co pokazał test:

  • Na prostej klasyfikacji po polsku różnice są małe. Najlepsze modele decyzyjne (Microsoft-Decision-1, Decider, Mercury Decide, Clef) trafiły 44 z 47, Claude Haiku 5.5 i GPT-6 Luna po 45. Jev zrobił 41 i mylił się głównie przy zgłoszeniach na granicy działów (pusta paczka, iskrzący ekspres, kod rabatowy).
  • Pewność modelu decyzyjnego da się wykorzystać. Gdy Jev podawał pewność co najmniej 0,9, miał rację w 37 z 39 zgłoszeń, a jego pomyłki miały zwykle pewność 0,6-0,8. Decider: 39 z 41 przy pewności od 0,9. Taki próg odsiewa przypadki do człowieka albo do większego modelu.
  • Próg pilności trzeba ustawić na własnych danych. Jev myli się w pilności przy prawdopodobieństwach 0,49-0,6, czyli tuż przy domyślnym progu 0,5. Microsoft-Decision-1 przy progu 0,5 oznaczył jako pilne 8 spraw, które mogły poczekać.
  • Wybór narzędzia po polsku: 7 modeli decyzyjnych i oba LLM-y miały 10 na 10, Mercury Decide 9. Clef-Flash i Clef-Omni tylko 6: wywoływały narzędzie, gdy brakowało numeru zamówienia, i odmawiały odpowiedzi na proste pytanie o 14 dni na zwrot.
  • Czas i koszt to główna przewaga. Modele decyzyjne odpowiadały od 2,7 do 5,4 raza szybciej niż Haiku, a milion takich zadań kosztowałby od 4,4 USD (Mercury Decide w promocyjnej cenie) do 26,8 USD (Jev). Jev liczy po polsku więcej tokenów niż inni: średnio 637 na zadanie, przy 273 u Microsoft-Decision-1.

Koszt całego testu: 0,022 USD na OpenRouterze za 660 zapytań. Nowych modeli z czołówki (d1-ultra, SubQ Snap, Elephant 9B, Drex) w tym teście nie było.

Lokalnie na RTX 4090

basal-omni-1.0-mini (19.10)

19 października uruchomiłem najmniejszego basala (plik GGUF Q8_0, 7,9 GB) przez Ollamę i silnik basal-serve na tym samym zestawie co test z 13.10. Zajął 5,1 GB pamięci karty, a cały test trwał 20 sekund. Dział trafił w 42 z 47 zgłoszeń, o jedno więcej niż Jev 1.13 i o dwa mniej niż najlepsze modele z API. Pilność: 47 z 50, wybór narzędzia: 10 z 10, mediana 137 ms na decyzję. Przy pewności od 0,9 miał rację w 35 z 40 przypadków, więc i tu progi trzeba ustawić na własnych danych. Instrukcja dla Windows, llama.cpp i Maca jest w tekście basal lokalnie.

Pierwszy test (5.10)

Pierwszy test zrobiłem 5 października: 30 polskich zgłoszeń (6 działów i pilność), otwarte modele decyzyjne uruchomione lokalnie, LLM-y przez Ollamę i OpenRouter.

Wykres: mediana czasu decyzji i trafność działu dla 30 polskich zgłoszeń - Clef-flash 112 ms, Strands Decider 2B 135 ms, Llama 3.1 8B 173 ms, Bielik 11B 270 ms, Gemma 4 12B 413 ms, Mistral Small 549 ms, Qwen3.8 27B 762 ms, Gemini 3.8 Flash 1822 ms
Mediana czasu jednej decyzji i trafność działu. Pomiar 5.10.2026 na RTX 4090; modele przez API mierzone z Polski, z czasem sieci.
ModelDział (PL)Pilność (PL)Mediana czasu
Clef-flash (lokalnie)30/3026/30112 ms
Strands Decider 2B (lokalnie)30/3024/30135 ms
Llama 3.1 8B (Ollama)25/3023/30173 ms
Bielik 11B Q4 (Ollama)29/3021/30270 ms
Gemma 4 12B (Ollama)30/3026/30413 ms
Qwen3.8 27B (Ollama)30/3027/30762 ms
Mistral Small 2603 (API)30/3019/30549 ms
Gemini 3.8 Flash (API)30/3026/301822 ms
  • Lokalnie model decyzyjny jest najszybszy. Clef-flash na tej samej karcie odpowiadał 3,7 raza szybciej niż Gemma 4 12B i prawie 7 razy szybciej niż Qwen3.8 27B.
  • Pamięć: Clef-flash zajął 18,3 GB VRAM, Strands Decider 2B 3,8 GB.
  • Próg pilności po polsku był przesunięty: Strands Decider przy progu 0,5 nie oznaczył nic jako pilne, przy 0,4 trafiał 26/30. Clef-flash przy 0,95 miał tylko 2 błędy.
  • Pełny Clef 27B (55 GB w bf16) nie mieści się na 24 GB bez kwantyzacji, której Cloudflare nie wydał.

Kiedy model decyzyjny, a kiedy LLM

Model decyzyjny ma sens, gdy odpowiedź jest z zamkniętej listy, a decyzji jest dużo:

  • klasyfikacja zgłoszeń: dział, pilność, język, czy klient grozi odejściem, kilka pytań w jednym wywołaniu,
  • routing: do którego zespołu, modelu albo procesu ma trafić sprawa (przepis z kodem pokazałem w tekście o routingu zgłoszeń),
  • moderacja: czy komentarz łamie regulamin, czy prośba jest szkodliwa, czy to spam,
  • wybór narzędzia w agencie: odpowiedzieć, wywołać narzędzie, dopytać czy odmówić,
  • bramki jakości: przepuścić, poprawić albo eskalować do człowieka, z progiem z prawdopodobieństwa.

Model językowy jest lepszy, gdy trzeba napisać tekst, odpowiedź do klienta albo kod, gdy odpowiedź zależy od wiedzy o świecie, której nie ma w stanie, gdy pytanie jest otwarte i nie da się podać listy opcji albo gdy decyzji jest kilka dziennie i wygoda jednego narzędzia wygrywa z oszczędnością. Najlepiej działa połączenie: model decyzyjny rozstrzyga pewne przypadki, a te poniżej progu idą do LLM-a albo do człowieka.

To samo zadanie da się zrobić LLM-em, któremu każesz zwrócić JSON zgodny ze schematem (structured output). Różnice:

Model decyzyjnyLLM + structured output
Odpowiedź spoza listyniemożliwa z konstrukcjiwykluczona przy ścisłym schemacie, ale parser może się wyłożyć (patrz model zwraca zły JSON)
Pewnośćprawdopodobieństwo dla każdej opcjibrak albo liczba „wymyślona” przez model
Wiele pytań narazw jednym wywołaniu, równoleglekażde pole to kolejne wygenerowane tokeny
Uzasadnieniebrak (wyjątek: Celeris-1 na życzenie)może dopisać, dlaczego
Wiedza i trudne rozumowaniesłabiej (AA: wiedza 28-41%)lepiej (AA: Haiku 5.5 52%, Luna 66%)
Koszt w chmurzetylko wejściewejście + wyjście (+ rozumowanie)

Ceny API

Ceny za milion tokenów wejścia z cenników producentów i OpenRoutera, sprawdzone 13 października 2026. Za wyjście nikt nie liczy. Nowszych modeli (d1-ultra, SubQ Snap, Elephant, Drex, Decider v1.2) w tabeli nie ma; ich koszt miliona zadań jest w rankingu wyżej.

ModelCena producentaOpenRouter
Jev 1.13 (TypeSafe)0,042 USD0,042 USD
GLiDE (Fastino)0,15 USD (liczone są też wewnętrzne przejścia)brak
Microsoft-Decision-10,042 USD (Microsoft Foundry)0,042 USD
Decider v1.1 27B (Perplexity)0,02 USD0,02 USD
Mercury Decide (Inception)0,04 USD, obecnie promocja 0,02 USD0,02 USD, jest też wariant darmowy
Celeris-1 Decision0,04 USDbrak
d1 (Liquid AI)0,04 USD0,04 USD
Clef (Cloudflare)0,24 USD (Workers AI)od 0,042 USD (inny dostawca)
Clef-Flash (Cloudflare)0,038 USD (od 9.10, wcześniej 0,09)od 0,021 USD
Clef-Omni (Cloudflare)0,15 USD0,15 USD
GPT-6 Luna Decisions (OpenAI)0,10 USD (+10% przy przetwarzaniu w UE)0,10 USD

Cena za token to nie wszystko. Modele liczą tokeny różnymi tokenizerami, a ten sam polski tekst może u jednego mieć dwa razy więcej tokenów niż u drugiego. Rzeczywisty koszt lepiej czytać z kolumny „koszt 1 mln zadań” w rankingu albo z mojego testu.

Dostęp z Polski

  • OpenRouter: jeden klucz do 9 modeli z pierwszej wersji rankingu (Jev 1.13, Microsoft-Decision-1, Decider v1.1 27B, Mercury Decide, d1, Clef, Clef-Flash, Clef-Omni, GPT-6 Luna Decisions). Wszystkie odpowiedziały mi z Polski 13.10.2026. Modele decyzyjne nie działają przez /chat/completions, tylko przez POST /api/alpha/decisions (pola state i questions).
  • GLiDE i Celeris-1 Decision: tylko przez API producenta, z kontem. Nie testowałem.
  • Microsoft-Decision-1 w Azure: wymaga płatnej subskrypcji. Microsoft podaje wdrożenie Data Zone, czyli przetwarzanie w obrębie UE jest możliwe.
  • GPT-6 Luna Decisions: publiczna beta od 6.10.2026, przetwarzanie w Europie (EOG i Szwajcaria) z dopłatą 10%.
  • Jev: dokumentacja TypeSafe opisuje przetwarzanie w USA i umowę powierzenia ze standardowymi klauzulami umownymi. Regionu UE nie ma.
  • Otwarte wagi: basal, Clef, Clef-Flash, Clef-Omni, Decider v1.1 27B (Apache-2.0) i d1-3B możesz uruchomić na własnym serwerze, wtedy dane nie wychodzą z firmy. Decider potrzebuje około 49 GB pamięci karty.

Przy danych osobowych klientów i RODO wygodniej jest z modelem uruchomionym u siebie albo z regionem UE niż z API przetwarzającym w USA.

Modele decyzyjne: kto, co i gdzie

ModelFirmaWagi i dostęp
d1-ultra, d1Liquid AId1-ultra przez API; d1-3B otwarte (licencja LFM1.0)
SubQ Snap 1.1SubquadraticAPI Subquadratic
Elephant 9BBasetenAPI Baseten
Drex Max, Drex 2.0Nace.AIAPI Nace.AI, wagi niepubliczne
Jev 1.13, 1.14TypeSafezamknięte; API TypeSafe, OpenRouter
basal-omni (mini, max, ultra)Remek KinasApache-2.0, na bazie Gemmy 4; Hugging Face, Ollama, llama.cpp, MLX
Decider v1.1 27B, v1.2, Flash v1.2Perplexityv1.1 na Apache-2.0 (Qwen3.8-27B); API Perplexity, v1.1 też na OpenRouterze
GLiDEFastino LabsAPI Fastino
Microsoft-Decision-1Microsoftzamknięte (Qwen3.5-9B); Foundry, OpenRouter
Mercury DecideInceptionzamknięte; API Inception, OpenRouter
Celeris-1 DecisionCeleriszamknięte API
Clef, Clef-Flash, Clef-OmniCloudflareApache-2.0; Workers AI, OpenRouter
GPT-6 Luna DecisionsOpenAIDecisions API, OpenRouter
Strands Decider 2BAWSApache-2.0, tylko lokalnie

Jev 1.13 (15.09.2026) był pierwszym modelem tej kategorii i jego format API (stan plus nazwane pytania typu choice, noul i score, w TypeSafe nazwany System One) przejęła większość konkurencji, więc ten sam kod klienta działa z wieloma modelami. OpenAI ma własny format: pole input zamiast state i pytania jako tablica. GLiDE (30.09) najpierw liczy szybki rozkład, a gdy wynik jest niepewny, rozumuje dłużej. Celeris-1 Decision (8.10) i Mercury Decide (30.09) to modele dyfuzyjne, pierwszy najszybszy w rankingu, drugi najwolniejszy. Rodzina Clef (1 i 9.10) bierze zamrożony model Qwen, przepuszcza przez niego wejście raz i oddaje ukryte stany do małej sieci, która ocenia wszystkie opcje naraz. Strands Decider 2B od AWS (1.10) ma 2 mld parametrów i działa nawet na CPU.

Jak zacząć w 10 minut

  1. Załóż konto i klucz na OpenRouterze. Jeden klucz wystarczy do 9 modeli decyzyjnych z pierwszej wersji rankingu.
  2. Wyślij pierwsze zapytanie (Python, sama biblioteka standardowa):
import json, urllib.request
body = {
 "model": "perplexity/pplx-decider-v1.1-27b",
 "state": "Pobrali mi opłatę dwa razy",
 "questions": {
  "dzial": {
   "type": "choice",
   "instructions":
     "Do którego działu?",
   "criteria": {
    "platnosci": "płatności",
    "dostawa": "wysyłka i kurier",
    "konto": "logowanie i hasło"}},
  "pilne": {
   "type": "noul",
   "instructions":
     "Czy trzeba zareagować dziś?",
   "criteria": {
    "true": "tak", "false": "nie"}}}}
req = urllib.request.Request(
 "https://openrouter.ai/api/alpha/decisions",
 json.dumps(body).encode(),
 {"Content-Type": "application/json",
  "Authorization": "Bearer TWOJ_KLUCZ"})
res = urllib.request.urlopen(req)
print(json.load(res)["answers"])
  1. W odpowiedzi dostajesz wybraną opcję, prawdopodobieństwo każdej opcji i pewność (confidence), a przy pytaniu tak/nie prawdopodobieństwo „tak”.
  2. Zbierz 50-100 oznaczonych przykładów ze swoich danych i ustaw próg pewności, poniżej którego sprawa idzie do człowieka albo LLM-a.
  3. Jeśli dane nie mogą wyjść z firmy, uruchom otwarty model u siebie: basal, Decider v1.1 27B, Clef-Flash, d1-3B albo najmniejszy Strands Decider 2B (pip install strands-decider).

Najczęstsze pytania

Czym jest model decyzyjny AI?

To model, który zamiast generować tekst wybiera odpowiedź z podanej listy i zwraca prawdopodobieństwo dla każdej opcji. Obsługuje zwykle trzy typy pytań: wybór z listy (choice), tak/nie (noul) i ocenę na skali (score).

Jaki jest najlepszy model decyzyjny?

W Decision Index Artificial Analysis (30.10.2026) prowadzi d1-ultra od Liquid AI (65,2 pkt), przed SubQ Snap 1.1 (65,0) i Elephant 9B (64,7). Elephant jest przy tym najtańszy w czołówce: 8,4 USD za milion zadań. W JevBench wśród otwartych modeli prowadzą baselabs mammoth-1 i KnowLine 31B-Gen1 (po 85,2), a wśród usług API kettei-fat od Sqwish (86,3). Czym różnią się oba rankingi i jak ich nie mylić, wyjaśniam w tekście JevBench i Decision Index.

Co to jest basal?

Polski model decyzyjny Remka Kinasa z otwartymi wagami (Apache-2.0) i własnym silnikiem basal-serve. Rodzina basal-omni (mini, max, ultra) jest zbudowana na Gemmie 4. Wersja ultra prowadziła 17.10 wśród otwartych modeli w JevBench, a 29.10 jest 9. z wynikiem 82,1 pkt.

Co to jest JevBench?

Ranking modeli decyzyjnych w serwisie Benchmark Heaven, prowadzony przez Floriana Standhartingera niezależnie od TypeSafe. Mierzy trafność, kalibrację, szybkość i koszt na 1500 decyzjach. Nazwę wziął od Jeva, który jest w nim punktem odniesienia.

Czy model decyzyjny jest lepszy od Claude Haiku 5.5?

Najlepsze już tak: d1-ultra, SubQ Snap 1.1 i Elephant 9B mają w Decision Index więcej punktów niż Haiku 5.5 na low (60,6), przy kilkukrotnie niższym koszcie i czasie. Haiku na wyższych poziomach rozumowania (68,4 na max) wciąż wygrywa, ale kosztuje ponad 2000 USD za milion zadań. W wiedzy o świecie Haiku ma przewagę: 52% trafności wobec najwyżej 41%.

Ile kosztuje model decyzyjny?

Za token od 0,02 do 0,24 USD za milion tokenów wejścia, wyjście jest darmowe. Milion zadań kosztuje według Artificial Analysis od 8,2 USD (Decider Flash v1.2) do 199 USD (Clef w Workers AI).

Czy modele decyzyjne działają po polsku?

Tak. W moim teście z 13.10 trafiały dział w 41-44 z 47 polskich zgłoszeń, a wybór narzędzia w 6-10 z 10 przypadków. Kalibracja bywa przesunięta, więc progi trzeba ustawić na własnych przykładach.

Czym różni się model decyzyjny od function calling?

Function calling to sposób, w jaki LLM generuje wywołanie funkcji z argumentami. Model decyzyjny zrobi część polegającą na wyborze narzędzia albo decyzji „wywołać czy dopytać”, ale argumentów tekstowych nie wygeneruje. W agentach często używa się obu.

Źródła

Sprawdzone: 30.10.2026

Czytaj także

Piotr Olszewski

Autor

Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.

O mnie →Wszystkie teksty →

Czytaj dalej

Narzędzia do tego tematu

darmowe, bez kontaWszystkie 29 →
z sieci - nowe teksty w moich serwisach

Wszystkie moje projekty →

Najczęściej czytane

7 dni
  1. 1Okładka GTA 6 z własnym zdjęciem w AI: prompt do ChatGPT i Gemini, test na selfie
  2. 2GPT-6.2 Astra vs Claude Fable 5.2 vs Gemini 4 Carbon: benchmarki i mój test na 7 modelach (z Opus 5.5)
  3. 3Plakat festiwalu z polskim napisem: prompt i test 6 generatorów obrazu (Prompt dnia 14.11)
🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →