Julia 1, le petit modèle qui tranche sans bavarder

Supersonic Labs, un petit labo d’IA brésilien, a publié Julia 1, un modèle de décision compact qui ne rédige pas de texte mais choisit entre des options fournies par l’utilisateur. Annoncé le 26 septembre 2026, il peut tourner sur un simple CPU, avec des poids ouverts sous licence Apache 2.0. L’enjeu est concret : automatiser du tri, du routage ou de la classification sans passer par un gros chatbot qui bavarde plus qu’il ne tranche.

Un modèle pensé pour choisir, pas pour raconter

Julia 1 traite trois types de décisions dans une seule API : choice pour sélectionner une étiquette parmi 2 à 20 options décrites, score pour estimer une position sur une échelle ordonnée, et noul pour calculer la probabilité qu’une affirmation oui/non soit vraie. Les réponses reviennent dans l’ordre des options fournies, avec une probabilité complète par choix. Le modèle ne génère pas de texte, ce qui le rapproche davantage d’un moteur de classification que d’un assistant conversationnel.

Cette approche le rend intéressant pour des cas d’usage où l’on veut une décision rapide, explicable et localisable. Supersonic Labs indique aussi que l’outil peut servir au routage d’entrées, à la catégorisation ou à des arbitrages simples. En bref, il ne discute pas, il tranche. Et parfois, c’est tout ce qu’on lui demande.

Une base ouverte, un budget minuscule et des limites assumées

Le modèle part de mmBERT-small, un encodeur multilingue de 140 millions de paramètres entraîné sur plus de 1 800 langues par le JHU CLSP. Supersonic Labs a conservé l’encodeur et le tokenizer, puis ajouté une tête de décision entraînée sur des exemples au format décisionnel. Le labo précise que Julia 1 n’est pas une version fine-tunée de Qwen. Selon la fiche du modèle, le coût total en GPU cloud pour l’entraînement et les expériences a tourné autour de R$540, soit US$104,08.

Les poids FP32 occupent 550,5 MiB, et la version ONNX peut fonctionner dans le navigateur via WebGPU. La promesse reste donc celle d’un modèle léger, déployable localement, avec une API hébergée annoncée mais pas encore ouverte. Supersonic Labs travaille déjà sur Julia 2, avec sa propre architecture de fondation.

Des résultats solides, sauf quand la liste devient trop longue

Les évaluations publiées le 24 septembre 2026 montrent un tableau contrasté. Sur Typed Decisions, Julia 1 atteint 73,15 % (1 463 sur 2 000), contre 72,70 % pour la référence Jev. Sur AG News à 4 labels, il obtient 94/100, et sur DAIR Emotion à 6 labels, 86/100. En revanche, il tombe à 64/100 sur Banking77, un jeu à 72 labels, quand la référence Jev est à 87/100. C’est son point faible clairement identifié.

Sur MASSIVE, le modèle affiche 71,50 % de macro-accuracy sur 52 langues, avec 86,25 % en pt-PT et 86,75 % en en-US. Les pilotes de classification n’utilisent que 100 exemples chacun, ce qui limite la portée des comparaisons, et le run CPU du 25 septembre a reproduit l’essentiel des chiffres. Les auteurs recommandent donc de tester le modèle sur ses propres cas et de garder des humains dans la boucle pour les décisions sensibles.