据MarkTechPost报道，巴西小型AI实验室Supersonic Labs于9月26日发布Julia 1决策模型。该模型不是聊天机器人，参数量144.3M，可在普通CPU上运行。用户输入上下文、问题和2至20个候选答案，模型从中选择一个，并返回每个选项的概率。权重以Apache 2.0协议发布在Hugging Face，可在Python 3.11+环境用CPU或支持BF16的GPU本地运行，ONNX构建可通过WebGPU在浏览器运行；托管API已宣布但尚未开放。
Julia 1通过一个API处理三类决策：choice从2至20个带描述选项中选择一个标签，用于分类和路由；score在有序评分标准上返回预期索引，例如低、中、高；noul返回某个是/否陈述为真的概率。结果按调用者提供的选项顺序返回，并给出完整softmax概率，账单等调用者ID原样返回。该模型不生成文本。
架构上，Julia 1以JHU CLSP的mmBERT-small为起点，这是140M参数、覆盖1800多种语言的多语言ModernBERT编码器。Supersonic Labs保留编码器和分词器，加入决策头，并用决策格式样本训练。实验室称Julia 1并非微调Qwen模型。运行时支持8192个合并token，但已发布基准使用1024 token上限。训练和实验的云GPU总支出约104.08美元。FP32权重占550.5 MiB，私人训练流水线未公开。采用自研基础架构的Julia 2正在开发中。
2026年9月24日的评估在H200 BF16上以严格编码运行，比较基线是TypeSafe的Jev，使用Jev基准协议中的参考值，而非新一次Jev运行。Typed Decisions结果为73.15%（1463/2000），参考值72.70%；AG News四标签为94/100，参考值91%；DAIR Emotion六标签为86/100，参考值48%；Banking77七十二标签为64/100，参考值87%，报道称这是明显失败。MASSIVE十八个场景在52个地区取得71.50%宏平均准确率。这些分类试点各仅使用100个样本。9月25日的一次CPU运行复现了多数数字：Typed Decisions为72.55%，Banking77为60/100，并有3次弃权。
设备端延迟方面，Apple M4上每次调用做一个决策的中位数为33.15毫秒。三星SM-X510平板通过ONNX Runtime运行时，中位数为203毫秒，峰值RSS为393.1 MB。Intel Core i5-1235U上AG News决策中位数为107.83毫秒；Banking77因先缩小72个标签，耗时3713.54毫秒。@supersonicai在X上称Julia 1在i5笔记本上分类速度比Jev快5倍。报道提醒需谨慎看待，因为Jev试点是将其作为托管服务从法国调用，延迟并非同条件比较。
局限性方面，Julia 1只比较用户提供的答案，不能用于缺失事实、代数或多步计算。其Router在缩小标签范围时可能丢掉正确标签。它不是可直接替换的Transformers流水线，也没有Hugging Face推理提供商为其服务。Supersonic Labs建议用户用自己的问题评估，并在后果重大的决策中保留人工环节。