# Decision-2.0-Vega-27B: открытый адаптер для локальной маршрутизации и оценок

Источник: https://modelium.tech/zhurnal/decision-2-0-vega-27b-qwen38-local-routing/

vLLM Semantic Router выпустила Decision-2.0-Vega-27B для локальных типизированных решений: выбор варианта, бинарный ответ и оценка с вероятностями. В репозитории опубликованы LoRA-адаптер и голова, но базовый Qwen3.8-27B нужно получать отдельно. Пакет под Apache-2.0; авторские метрики не являются тестом Modelium. Пилот требует проверки закреплённого кода, совместимого GPU-стека и качества на собственных данных.

Decision-2.0-Vega-27B: адаптер Qwen3.8 для локальных решений вместо генерации текста

**3 октября 2026 года** команда vLLM Semantic Router зафиксировала релизную ревизию Decision-2.0-Vega-27B. Это специализированная модель для вопросов вида «какой вариант выбрать», «да или нет» и «насколько высока оценка»: она выдаёт вероятности, а не пишет свободный ответ. Практические сценарии — маршрутизация заявок, выбор обработчика или оценка срочности. Название «27B» относится к классу исходной модели; манифест релиза сообщает о 29,37 млрд параметров при загрузке адаптера и базовой модели вместе. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Какие веса опубликованы

Репозиторий **не содержит полного отдельного 27B-чекпойнта**. В закреплённой ревизии `7aec49ae11a18741706da549ab626b9052795fe7` опубликованы LoRA-адаптер `adapter/adapter_model.safetensors`, `decision_head.safetensors`, конфигурация, токенизатор и код загрузки. Манифест фиксирует внешний базовый текстовый backbone `Qwen/Qwen3.8-27B` на ревизии `1d4bf0f2ff6012fd82039f2fa52739d0dd7c60c0`: он загружается отдельно, не входит в пакет Vega. Размер файла адаптера — 14 941 293 880 байт; это **не** требование к RAM или VRAM. Без доступа к закреплённой базе и совместимой среды один файл адаптера не даст локального инференса. [s2](#src-s2) [s4](#src-s4)

В пакете есть реализация `Decision2Model` через `AutoModel` и собственный метод `system_one`. Для загрузки карточка предлагает Transformers не ниже 5.17, PyTorch, Safetensors и PEFT с `trust_remote_code=True`. Это исполнение кода из репозитория модели: перед развёртыванием в собственной инфраструктуре нужно изучить закреплённую версию кода и обеспечить доверенную среду. Манифест перечисляет дополнительные зависимости и конфигурацию проверенного авторами GPU-стека, включая `flash-linear-attention` и `causal-conv1d`; одну строку установки из карточки нельзя автоматически считать полной воспроизводимой средой на любой машине. Modelium загрузку и запуск на своей аппаратуре **не проводил**. [s1](#src-s1) [s2](#src-s2) [s5](#src-s5)

## Когда Vega полезна, а когда нет

Одному текстовому входу можно сопоставить несколько типизированных вопросов: выбор из вариантов (`choice`), бинарный ответ (`noul`) и оценку по шкале (`score`). Все возвращают вероятностные результаты для прикладной логики; система должна проверять формат, пороги и качество на собственных размеченных примерах. Это не чат-модель для генерации объяснений и не готовое правило для решений без участия человека. Манифест ограничивает вход 32 768 токенами; это предел пакета Vega, а не автоматически унаследованное окно исходного Qwen. [s1](#src-s1) [s2](#src-s2)

Карточка авторов указывает JevArena 74,0 для Vega против 72,1 у AutoJev-27B и median macro-F1 58,7 по 15 размеченным задачам. Также она приводит Jev Decision Index 56,5: сравнения в этой строке основаны на авторском прогоне официального набора 0.2.1 для Decision 2.0 и публичном снимке доски для остальных моделей от 28 сентября. **Это заявления команды модели**, а не независимые тесты Modelium; разные наборы JevArena, transfer и Index нельзя складывать в одну «точность». Замер задержки 71,4 мс на одном GPU из карточки также не переносится на произвольную локальную конфигурацию. [s1](#src-s1) [s2](#src-s2)

## Лицензия и следующий шаг

Карточка, файл LICENSE и манифест указывают **Apache-2.0** для опубликованного пакета; закреплённая исходная модель Qwen3.8-27B тоже помечена Apache-2.0. Лицензия допускает коммерческое использование при соблюдении её условий, но открытые веса не означают, что любой GPU сможет запустить модель, а наличие исходников загрузчика не делает весь тренировочный процесс воспроизводимым. Для пилота сначала сопоставьте свой сценарий маршрутизации с `choice`/`noul`/`score`, прочитайте код закреплённой ревизии, подготовьте базовый Qwen и зависимости, затем проверьте ответы и задержку на собственных данных. Для более лёгкого экспериментального пути уже опубликованы отдельные локальные пакеты Decision 2.0 Kai, Eos и Sol; они решают сходный класс задач, но не эквивалентны Vega по весам или измеренной точности. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4)

## Источники

1. [vLLM Semantic Router: Decision-2.0-Vega-27B model card, revision 7aec49a](https://huggingface.co/vllm-sr/Decision-2.0-Vega-27B/blob/7aec49ae11a18741706da549ab626b9052795fe7/README.md) — получено 2026-10-04
2. [Vega 27B pinned MODEL_MANIFEST.json](https://huggingface.co/vllm-sr/Decision-2.0-Vega-27B/blob/7aec49ae11a18741706da549ab626b9052795fe7/MODEL_MANIFEST.json) — получено 2026-10-04
3. [Hugging Face commit history of Vega 27B](https://huggingface.co/vllm-sr/Decision-2.0-Vega-27B/commits/main) — получено 2026-10-04
4. [Vega package Apache-2.0 license and pinned Qwen base in manifest](https://huggingface.co/vllm-sr/Decision-2.0-Vega-27B/blob/7aec49ae11a18741706da549ab626b9052795fe7/LICENSE) — получено 2026-10-04
5. [Decision2 model implementation at pinned revision](https://huggingface.co/vllm-sr/Decision-2.0-Vega-27B/blob/7aec49ae11a18741706da549ab626b9052795fe7/modeling_decision2.py) — получено 2026-10-04