Команда Артема Снегирева (УЭСМО) выпустила в открытый доступ FRIDAi-Decisions — дообученную версию энкодера FRIDA для структурированных решений по русскому тексту: выбор одного варианта из K, оценка по шкале, ответ да/нет, ранжирование кандидатов. Модель не генерирует токены — она выдаёт ответ и его уверенность за один проход энкодера, что подходит для роутинга, модерации, определения интентов и отбора документов для RAGi.

Главная особенность: варианты ответа пишутся прямо текстом внутри запроса в виде JSON, поэтому смена набора меток — это новая задача, а не новое обучение модели. Веса и демо уже доступны на HuggingFace, подробности опубликованы на neuraldeep.ru.

• Модель — дообученный энкодер FRIDA (823M параметров), лицензия MIT, требует 1,8 ГБ видеопамяти
• На собственном бенчмарке razvilkai (735 задач на русском) метрика 0,893 — на уровне коммерческого API TypeSafe Jev (0,897) и лучший результат среди проверенных открытых моделей
• Для сравнения: Mapika/decider-2b (1.9B) — 0,833, GLiNER2.5-multi-Decide (287M) — 0,576, laya (multilingual) — 0,559
• Скорость ответа — 28–34 мс на запрос (замерено на RTX 5060 Ti), примерно в 10 раз быстрее API по независимым замерам
• Версия int8 ONNX для CPU показывает метрику 0,891 на том же бенчмарке
• За счёт однократного кодирования текста (все варианты всех вопросов идут в одну последовательность) каталог из 243 интентов разбирается за 0,44 с вместо 4,65 с
• Доступны готовые демо-сценарии: выбор инструмента для агента, guardrails из восьми правил, роутинг тикетов, ранжирование и разбор тикета, а также примеры кода в Colab и README