Julia 1 は、ブラジルの小さな研究室 Supersonic Labs が 2026 年 9 月 26 日に公開した意思決定モデルです。パラメータ数はわずか 1 億 4,430 万。CPU 上でのテキスト分類とルーティングのために設計されました。重みファイルは 550.5 MiB で、コードと重みはどちらも Hugging Face 上にあり、Apache 2.0 ライセンスでオープンソース化されています。テキストを生成せず、選択だけを行います——これがこのモデルを理解する上での最初の関門です。
まず概念を正す：答えを書くのではなく、選ぶ
Julia 1 の入力は「コンテキスト＋質問＋候補回答の集合」で、出力は候補の中から 1 つを選ぶことです。向いている仕事は具体的です。テキスト分類、リクエストのルーティング、順序付きスコアリング、Yes/No 判定。ベースは多言語の mmBERT-small エンコーダです。ここで注意——大規模な生成モデルではありません。文章を書かせるのは筋違いです。
公式の数字の読み方：小規模パイロットであり、本番の証拠ではない
研究室は小規模なパイロット結果をいくつか公開しています。Banking77 では 100 サンプル、72 ラベルをショートリストで絞り込んだ上で正答 64 件。公式が併記した比較数字は 87% です。ニュース分類は 100 件中 4 ラベルで 94 件正答、感情分類は 100 件中 6 ラベルで 86 件正答。はっきりさせておきますが、これは企業自身が報告した小規模サンプルのパイロットであり、本番環境の証拠ではありません。測定条件の違う数字を直接ぶつけてはいけません。一方、デバイス上での実測は地に足がついています。Apple M4、Intel i5-1235U 搭載ノート、Samsung タブレットで動作済みで、タブレット上では CPU 実行で約 1 秒あたり 5 回の意思決定。公式によれば利用可能な高速化パスが CPU にフォールバックしたとのことで、これはデプロイのデモと受け止めるべきでしょう。研究室はまた、クラウド GPU での学習と実験の総コストが約 540 レアル（約 104 ドル）だったことも明かしています。
境界と落とし穴：試す前に確認を
最も警戒すべきは Banking77 の 64% 対 87% という比較です。公式の測定条件は「ショートリストでラベルを絞り込んだ後」であり、2 つの数字のテスト条件は対等ではありません。直接比較すれば誤解を招きます。選定する側は自社のラベル体系で必ず実測し、発表文中の数字に引きずられないことです。もう一度、位置づけを確認します。これは意思決定モデルであり、生成モデルではありません。生成や推論に使うのは道具の選び間違いです。小規模パイロットの成績をそのまま本番環境に外挿するのも禁物です。
エージェント時代には安い「ルーティング層」も要る
エージェント時代に必要なのは、より大きな生成モデルだけではありません。安い「ルーティング層」も要ります。分類のたび、ルーティング判断のたびにクラウドの大規模モデルを呼び出していては、コストもレイテンシも持ちません。Julia 1 のような小型モデルはまさにそのための存在です。高頻度・低リスクの判断をローカルに留め、小型モデルで片付ける。Supersonic Labs の位置づけは率直です。「人々がすでに持っているハードウェアで動く実用的な AI」を作ること。104 ドルで学習したモデルが、タブレット上で毎秒 5 回の意思決定を行う。この物語の主眼はベンチマーク争いではなく、AI を普通の人がすでに持っているデバイスに届けることにあります。
