Hugging Face detalló en un post de blog el concepto de modelos de decisión: sistemas que reciben un estado y un conjunto de preguntas y devuelven decisiones tipadas con probabilidades, sin generar texto token a token. La empresa dice que Transformers ahora ofrece DecisionPipeline, AutoModelForDecision y DecisionConfig, que llama.cpp expone el mismo endpoint y que el Hub tiene una etiqueta dedicada para descubrir modelos compatibles. El texto también reconoce que el espacio es joven y que cada modelo decide de forma diferente internamente.
Hugging Face publicó un artículo de blog en el que describe lo que llama modelos de decisión: sistemas que reciben un contexto y un conjunto de preguntas con respuestas predefinidas y devuelven una decisión estructurada con probabilidades, sin generar texto token a token. La publicación está firmada por el blog de la empresa y tiene fecha del 10 de noviembre de 2026.
El texto parte de un ejemplo de atención al cliente. Ante el mensaje de alguien a quien se le cobró dos veces la suscripción, el sistema necesita saber qué equipo debe tratar la solicitud, cuál es la urgencia y si el cliente quiere un reembolso. En lugar de pedir a un modelo de lenguaje que devuelva un JSON con esas respuestas, la propuesta es que el modelo evalúe directamente las opciones disponibles y devuelva una distribución de probabilidades sobre ellas.
Cómo funciona el modelo de decisión
Según el artículo, una petición a un modelo de decisión tiene dos componentes: el estado, que es la información que se va a evaluar, y las preguntas, que describen lo que se quiere saber sobre ese estado. El estado puede ser una cadena de texto, un objeto JSON estructurado u otras modalidades, en el caso de modelos omni-modales compatibles.
La publicación describe tres primitivas fundamentales. Choice selecciona una entre varias respuestas posibles, con un logit por opción convertido en probabilidad mediante softmax. Score evalúa algo en una escala ordenada y devuelve el valor esperado de la distribución, y no solo el nivel más probable. Noul responde a una pregunta binaria devolviendo la probabilidad de que la respuesta sea verdadera, con base en la distribución de Bernoulli.
El texto también explica el campo confidence, que se devuelve para Choice y Score. La confianza normaliza la mayor probabilidad en relación con el número de opciones disponibles: una distribución uniforme tiene confianza cero y una distribución concentrada en una única opción tiene confianza uno. En el ejemplo del artículo, una probabilidad ganadora de 0,99 en tres opciones da como resultado una confianza de 0,98.
El artículo atribuye el origen del concepto a TypeSafe AI, que presentó a Jev como un modelo System One, en referencia a la distinción entre pensamiento rápido e intuitivo y pensamiento lento y deliberativo. Según el post, la comunidad pasó a usar el término modelo de decisión porque describe el papel computacional del modelo, y no una teoría de la cognición.
Diferencia con respecto a la clasificación tradicional
El texto compara el enfoque con los clasificadores convencionales y con la clasificación zero-shot. En un clasificador tradicional, las clases quedan fijas en la cabeza de clasificación, lo que exige modificar la cabeza y reentrenar el modelo para añadir una nueva categoría. En la clasificación zero-shot, las etiquetas candidatas se proporcionan en la inferencia, muchas veces convirtiendo cada etiqueta en una hipótesis evaluada por un modelo de inferencia de lenguaje natural.
La publicación sostiene que los modelos de decisión no inventaron las etiquetas definidas en tiempo de ejecución ni la clasificación probabilística. La diferencia, según el texto, es organizar esas capacidades en una interfaz consistente, con varias preguntas nombradas sobre el mismo estado, tipos de respuesta diferentes y la posibilidad de arquitecturas y entrenamientos optimizados específicamente para decisiones.
El artículo también enumera problemas de la alternativa de pedir a un modelo de lenguaje que devuelva un JSON. Entre ellos están la falta de garantía de que el modelo siga el esquema solicitado y el costo computacional extra de técnicas de decodificación restringida, como Outlines y XGrammar, además del trabajo innecesario de generar una respuesta completa cuando la aplicación solo necesita elegir entre respuestas predefinidas.
Soporte en el ecosistema y límites
Hugging Face afirma que Transformers ahora soporta DecisionPipeline, AutoModelForDecision y DecisionConfig, clases con una estructura similar a las pipelines y a los modelos que ya existen en la biblioteca. El texto también menciona un endpoint /v1/systemone y dice que las API funcionan con modelos de lenguaje autorregresivos compatibles, evaluando los logits de las etiquetas en una pasada por lotes y aplicando softmax sin generar texto.
Según la publicación, llama.cpp también soporta modelos de decisión mediante la misma API /v1/systemone, con servidor predeterminado en el puerto 9931. El Hub, por su parte, incorporó una etiqueta dedicada para descubrir modelos compatibles, que pueden basarse en arquitecturas de encoder como ModernBERT o en backbones generativos más grandes.
Sobre el entrenamiento, el artículo dice que, al estar integrados en Transformers, los modelos de decisión pueden ajustarse con la Trainer API. El texto trae un ejemplo pequeño de ajuste de JEV-9B para enrutar solicitudes de soporte, en el que cada ejemplo es una petición de decisión con la respuesta correcta y la pérdida es una entropía cruzada simple sobre las opciones.
El post afirma que el soporte de primera clase para el entrenamiento está llegando a TRL, pero aclara que el pull request todavía estaba abierto en la fecha de la publicación. También cita una receta de Unsloth para transformar un modelo de lenguaje generativo, como Qwen, en un modelo de decisión con LoRA y una cabeza de puntuación de decisión.
El propio artículo reconoce incertidumbre: describe el campo como joven y en rápida evolución, con cada modelo decidiendo de forma diferente internamente, mediante cabezas que puntúan el esquema completo, lecturas separadas sobre backbones de modelos de lenguaje o variantes multimodales y de pequeño tamaño. La apuesta de Hugging Face es separar la interfaz común de la implementación interna, para que los motores de inferencia, el Hub y las herramientas de entrenamiento puedan construirse una sola vez.
La conclusión del texto es que los modelos de decisión no son interesantes porque la clasificación sea nueva, sino porque convierten las decisiones y las probabilidades en salidas de primera clase para el software, combinando una interfaz tipada, la puntuación no generativa y la posibilidad de un entrenamiento especializado para decisiones confiables y calibradas.
Fuente original: Hugging Face — Decision Models in Hugging Face.
Recibe Radar de IA todos los días
Las noticias de inteligencia artificial que importan — con nuestro prisma y siempre con las fuentes. Gratis.






