O Hugging Face publicou a 10 de novembro de 2026 no seu blogue um texto intitulado «Decision Models in Hugging Face», assinado por Aritra Roy Gosthipaty, Lysandre, Pedro Cuenca e Tom Aarsen. O artigo apresenta uma categoria de modelos que, segundo os autores, não precisa de gerar texto para resolver tarefas de decisão. A ideia central é que um modelo pode avaliar uma pergunta com um conjunto fixo de respostas possíveis e devolver probabilidades associadas a essas respostas, em vez de produzir uma resposta escrita.
O exemplo escolhido é o de um sistema de apoio ao cliente que recebe a mensagem «Fui cobrado duas vezes pela minha subscrição e preciso de um reembolso hoje». O sistema tem de determinar que equipa deve tratar o pedido, qual é a urgência e se o cliente pede reembolso. O texto mostra que um modelo de linguagem de grande dimensão (LLM) pode ser instruído a devolver um objeto JSON com estas respostas, mas nota que essa abordagem não garante o esquema pedido, pode introduzir chaves inesperadas ou devolver valores fora das opções permitidas, e implica gerar uma resposta completa. Técnicas de decodificação restringida, como as bibliotecas Outlines e XGrammar, reduzem parte destes problemas, mas acrescentam trabalho computacional.
Segundo o artigo, a interface de um decision model assenta em três elementos: um estado (state), um conjunto de perguntas com respostas predefinidas (primitives) e, como saída, uma decisão estruturada acompanhada de probabilidades. A diferença face a um classificador tradicional está em que as classes não ficam presas à cabeça de classificação do modelo. Os autores dão como exemplo a introdução de um quarto departamento, como o jurídico, que num classificador clássico obrigaria a modificar a cabeça de classificação e a recolher novos dados. Referem ainda que a TypeSafe AI apresentou o Jev, descrito como um modelo de «Sistema 1», e que a comunidade convergiu para a designação «decision model», por descrever o papel computacional do modelo.
O post ilustra a utilização com a biblioteca Transformers, através de um pipeline chamado «decision» e do modelo autotrust/GEV-26B-Decide. No exemplo, a opção «billing» recebe cerca de 0,998 de probabilidade para o caso de cobrança duplicada. Este valor ilustra o formato de saída devolvido pelo pipeline e não deve ser lido como medida de desempenho. Na parte disponível do texto não surgem métricas de precisão, testes independentes nem comparações com outras abordagens, pelo que o exemplo se limita à interface.
O índice do artigo indica ainda secções sobre a utilização destes modelos com llama.cpp, a descoberta de modelos no Hub do Hugging Face e o treino com as ferramentas da plataforma. Estas partes não são detalhadas nos dados disponíveis para esta notícia, pelo que não são descritas aqui. Para equipas que desenvolvem sistemas de encaminhamento ou classificação, o ponto relevante é a mudança de paradigma proposta: pedir ao modelo distribuições sobre opções que a aplicação já conhece, em vez de texto estruturado que depois tem de ser validado.
Porque importa
Para quem constrói sistemas de encaminhamento, triagem ou classificação, esta abordagem pode simplificar a integração, porque a aplicação recebe distribuições sobre opções que já conhece. A proposta responde a problemas que o artigo identifica no uso de LLMs para tarefas estruturadas, como respostas fora do esquema e geração desnecessária. Ainda assim, na parte consultada o artigo não apresenta resultados comparativos, pelo que a eficácia face a alternativas deve ser avaliada em cada caso concreto.