---
title: "Rozhodovací modely: levná AI, která vybere správnou odpověď"
description: "Vybrali jste z dokumentu správná data? Detekovali jste správně tlačítko OK v rozhraní? Tohle lépe než běžné LLM obslouží rozhodovací modely. Začal to Jev. A za tři týdny vzniklo kolem tohohle problému přes deset modelů. Do hry vstoupili Cloudflare, Perplexity, Amazon i OpenAI. Ukážu vám, jak se v nich vyznat, kolik stojí a hlavně na jaké úlohy se doopravdy hodí."
date: 2026-10-05
author: "Patrick Zandl"
url: https://www.vibecoding.cz/articles/ostatni/rozhodovaci-modely-levna-ai-ktera-vybere-spravnou-odpoved/
---

> Markdown verze článku z Vibecoding.cz. HTML verze: https://www.vibecoding.cz/articles/ostatni/rozhodovaci-modely-levna-ai-ktera-vybere-spravnou-odpoved/
> Přehled veškerého obsahu webu: https://www.vibecoding.cz/llms.txt

# Rozhodovací modely: levná AI, která vybere správnou odpověď

Celé to odstartoval 15. září startup TypeSafe AI s modelem Jev, [o kterém jsem tu už psal](https://www.vibecoding.cz/articles/ostatni/jev-model-ktery-jen-rozhoduje/). Jev vrací pravděpodobnosti nad odpověďmi, které mu sami nadiktujete, a stojí zlomek ceny běžného jazykového modelu. Do začátku října přišla konkurence od Fastino Labs, Cloudflaru, Perplexity a AWS, OpenAI ohlásil vlastní verzi a komunita vydala hromadu otevřených napodobenin. Vznikla nová kategorie a vyplatí se jí rozumět, protože do agentních systémů zapadá lépe než cokoli, co jsme dosud měli.

## Co je rozhodovací model

**Vstup jako u LLM, výstup jako u funkce.** Modelu pošlete stav (text, JSON, u některých modelů i obrázek) a typované otázky. Model vrátí pravděpodobnost pro každou povolenou odpověď. Tedy pravděpodobnost, že zrovna takhle zaslaná data odpovídají na vaši otázku. Vaše aplikace se podle toho rovnou větví a nemusí nic parsovat.

**Tři typy otázek, které se staly standardem.** Zavedl je Jev a ostatní je převzali:

- **Choice** vybírá jednu z možností, Jev jich zvládne až 255.
- **Score** zařazuje stav na stupnici, třeba od „v pohodě" po „zákazník zuří".
- **Noul** vrací pravděpodobnost, že tvrzení platí. Název je zkratka z Bernoulliho rozdělení (ano, zrovna tohle pojmenování se marketingu povedlo méně).

**Jak to funguje uvnitř.** Jazykový model generuje odpověď token po tokenu, každý další token je další průchod sítí. Rozhodovací model projde vstup jednou (prefill) a pak paralelně ohodnotí všechny předem dané možnosti. Hlavu, která normálně generuje text, výrobci odstraní a nahradí hlavou, která jen skóruje volby. AWS to u svého modelu [popisuje doslova takhle](https://thenewstack.io/aws-strands-decider-model/). Polopaticky: jazykový model píše slohovou práci, rozhodovací model kroužkuje odpověď v testu s nabídkou a, b, c. A ke každé možnosti navíc připíše, jak moc si je jistý.

**Proto platíte jen vstup.** Výstup je pár čísel, takže všichni výrobci účtují vstupní tokeny a výstup mají zdarma. A protože se otázky vyhodnocují paralelně nad stejným stavem, deset otázek trvá prakticky stejně dlouho jako jedna.

**Je to nové?** Upřímně, princip moc ne. Klasifikátory s nulovým učením (zero-shot), rerankery a cross-encodery dělají podobnou věc roky. Nové je obalení: kategorie si vymyslíte přímo v dotazu bez přetrénování, máte k tomu velký moderní model a hlavně společné API.

**Společné API je nejlepší zpráva celé vlny.** Cloudflare Clef, Perplexity Decider, komunitní kev i inferenční server SGLang mluví stejným „System One API" jako Jev. Dodavatele tedy vyměníte změnou adresy a názvu modelu. Na trhu s AI, kde si každý staví vlastní hradby, je to vzácnost.

## Výhody a nevýhody

**Cena v haléřích.** Tisíc rozhodnutí nad krátkým e-mailem vyjde u nejlevnějších modelů na čtvrt koruny. Podrobnosti najdete v tabulce níže.

**Rychlost v desítkách milisekund.** Rozhodnutí se dá dát přímo do smyčky agenta a uživatel na něj nečeká.

**Výstup, který nespadne.** Model nemůže vrátit nesmyslnou kategorii ani rozbitý JSON. Odpadá celá vrstva kódu, která ošetřuje „co když LLM odpoví blbost".

**Jistota u každé odpovědi.** Tohle je pro agenty nejdůležitější. Když je model jistý, kód jedná sám. Když jistý není, předá věc člověku nebo dražšímu modelu.

Teď ta horší strana.

**Neumí psát.** Žádné vysvětlení, žádné zdůvodnění. Proč se model rozhodl, se nedozvíte.

**Jen vybírá z nabídky.** Novou možnost nenavrhne. V mém testu Jevu na Vibecoding.cz chyboval hlavně vynecháním: občas přehlédl správnou odpověď.

**Počítání a data mu nejdou.** Aritmetiku, počítání a práci s daty přiznává jako slabinu i [dokumentace Jevu](https://docs.typesafe.ai/model-jaggedness/jev-1.13).

**Kalibrace je sporná.** TypeSafe slibuje poctivé pravděpodobnosti, tedy že 90 % jistoty znamená 90 % úspěšnost. Alex Molas ale [ukázal](https://traictory.com/news/2026-09-25-jev-typesafe-marketing-backlash), že Jev přisoudil férové minci 92% šanci na líc, přestože správná pravděpodobnost stála přímo v zadání. Praktická rada: berte výstup jako skóre a na pár stovkách vlastních označených příkladů ho překalibrujte.

**S počtem možností jde kvalita dolů.** Nezávislý test na Towards Data Science dal Jevu na 77 kategoriích záměrů 79 %, zatímco modely OpenAI měly 84 až 86 %. Při zúžení na 7 kategorií se rozdíl smazal.

# Pět rodin rozhodovacích modelů

Za tak krátkou dobu, jako jsou dva týdny, vzniklo zhruba pět rodin rozhodovacích modelů. Pojďme si představit jak rodiny, tak jejich hlavní hráče.

### Uzavřená hostovaná API

Tedy to, co známe z dnešních LLM. Dostanete endpoint na API, je vám vygenerován API klíč a platíte za provoz, který probíhá u někoho v cloudu. Co se na cloudu s vašimi daty děje, suď bůh a dokládej to zpravidla chatrnou dokumentací.

[**Jev**](https://typesafe.ai/blog/introducing-system-one-models-and-jev)**od TypeSafe AI** kategorii založil. Firma na něm podle vlastních slov dva roky pracovala v utajení, architekturu nezveřejnila a model nabízí jen přes API z USA. Kontext má 32 tisíc tokenů a bere jen text. Jeho silná stránka je ekosystém: [Vercel hlásí](https://vercel.com/blog/ai-gateway-jev-model-launch), že ho během 24 hodin začalo používat skoro 13 % placených týmů. Slabá stránka: podle Flavia Copese má Jev od 22. září pozastavené nové registrace a ceny jsou podle všeho dotované.

[**GLiDE**](https://fastino.ai/blog/introducing-glide-the-first-thinking-decision-model)**od Fastino Labs** je „přemýšlející" rozhodovací model. Fastino je laboratoř ze San Franciska, která stojí za open source rodinou modelů GLiNER. GLiDE si u nejistých případů přidá úvahu, což zlepšuje výsledky na složitých úlohách. Jenže [nezávislé měření](https://anth.us/blog/glide-decision-model-ten-seconds/) ukázalo, že na těžších problémech trvá rozhodnutí až 6,6 sekundy a vychází zhruba devětkrát dráž než u Jevu. Tím se z rychlého rozhodování stává obyčejné pomalé.

**Decisions API od OpenAI** bylo ohlášené koncem září. Stojí na modelu GPT-6 Luna a bere i obrázky. Cenu ani podrobné parametry OpenAI zatím nezveřejnil, takže ho zatím jen sledujte.

### Velké otevřené modely (9 až 27 miliard parametrů)

Tady se děje nejvíc. Všichni vzali otevřený model Qwen od Alibaby, zmrazili ho a dotrénovali nad ním rozhodovací hlavu. Proto to konkurenci trvalo dva týdny.

[**Perplexity Decider**](https://docs.sglang.io/cookbook/autoregressive/Perplexity/pplx-decider-v1-27b) (pplx-decider-v1-27b) je pro mne největší překvapení. Má 27 miliard parametrů, licenci Apache 2.0, kontext 250 tisíc tokenů a bere obrázky. Perplexity ho nabízí i hostovaný za 0,04 USD za milion tokenů a ohlásil další zlevnění. Sám ho používá k hlídání vlastního trénování modelů.

[**Cloudflare Clef a Clef-flash**](https://blog.cloudflare.com/clef-decision-models/) jsou první modely, které tým Workers AI vytrénoval sám. Clef má 27 miliard parametrů, Clef-flash 9 miliard, oba mají licenci Apache 2.0, kontext 64 tisíc tokenů a berou obrázky. Clef-flash rozhoduje s mediánem kolem 40 milisekund. Cloudflare k tomu nabízí doladění na vašich datech.

[**kev**](https://github.com/jaredpalmer/kev)**od Jareda Palmera** začal jako víkendová reprodukce Jevu a jeho verze s 9 miliardami parametrů se v [jednom srovnání](https://rohitraj.tech/notes/jev-alternatives-open-weights-decision-models-2026) dostala na půl procentního bodu za Jev.

### Malé modely pro notebook a vlastní server (0,5 až 4 miliardy)

To, kdyby vám stačilo něco menšího a zároveň nemáte tolik prostoru na svém hardwaru.

**Strands Decider 2B od AWS** stojí na Qwenu s 2 miliardami parametrů a na herní kartě RTX 3090 rozhoduje pod 100 milisekund. AWS zveřejňuje i trénovací data a skripty, což z něj dělá nejotevřenější kus celé vlny. Napojený je na agentní framework Strands, kde rozhoduje, jestli akci pustit, zamítnout, nebo se zeptat uživatele.

**Komunitní reprodukce** jako kev-0.5b, JevK5, [OpenJev](https://github.com/TheoLeeCJ/openjev) nebo Tev1 od Together jsou spíš pro experimenty. kev-0.5b odpoví na šest otázek zhruba za 160 milisekund na MacBooku s M5.

### Enkodéry (stovky milionů parametrů)

[**GLiNER2.5-Decide**](https://fastino.ai/blog/gliner-2-5-decide-open-weight-decision-model)**od Fastino** má 340 milionů parametrů a běží i na obyčejném procesoru bez grafické karty. Umí provázané otázky, které si nikdy neodporují, třeba „je to bezpečné?" a „o jaký typ újmy jde?".

[**Laya**](https://huggingface.co/convaiinnovations/laya)**od Convai Innovations** existuje v anglické verzi a ve vícejazyčné verzi pro přes sto jazyků. Na grafické kartě zvládne otázku zhruba za 33 milisekund. Na složitějších úlohách ale výrazně zaostává za velkými modely.

### Vrstva nad libovolným modelem

**open-alternative-jev a OpenJev** jsou technika, jak z jakéhokoli otevřeného jazykového modelu vyčíst rozhodnutí v jediném průchodu. Pikantní detail: open-alternative-jev měl v jednom srovnání nejlepší kalibraci ze všech, tedy přesně tu vlastnost, kterou Jev prodává jako svou hlavní přednost. Kdo má vlastní grafickou kartu, postaví si rozhodovací model za odpoledne.

## Kolik ta legrace stojí

U rozhodovacích modelů platíte jen vstup, takže cenu určuje délka stavu. Pro srovnání počítám s 300 tokeny na rozhodnutí, což odpovídá krátkému e-mailu nebo ticketu. Koruny přepočítávám kurzem 21 Kč za dolar.

| **Model** | **Vstup / 1M tokenů** | **1M rozhodnutí × 300 tokenů** | **V korunách** | **Váhy** |
| --- | --- | --- | --- | --- |
| Perplexity Decider | $0,04 | $12 | cca 250 Kč | Apache 2.0 |
| Jev | $0,042 | $12,60 | cca 265 Kč | uzavřené |
| Clef-flash | $0,09 | $27 | cca 570 Kč | Apache 2.0 |
| GLiDE | $0,15-0,30* | $45-90* | 950-1 900 Kč* | uzavřené |
| Clef | $0,24 | $72 | cca 1 510 Kč | Apache 2.0 |
| OpenAI Decisions API | neuvedeno | - | - | uzavřené |
| Strands Decider, Laya, kev | vlastní hardware | - | - | otevřené |

\* Fastino má cenu v dokumentaci nekonzistentní a účtuje i vnitřní průchody „přemýšlení". Nezávislé měření vyšlo na zhruba 213 USD za milion rozhodnutí.

**Mezi nejlevnějšími je rozdíl zanedbatelný.** Perplexity a Jev jsou prakticky na stejné ceně a i dvakrát dražší Clef-flash vyjde na necelých 600 Kč za milion rozhodnutí. Cena tím přestává být argument a rozhoduje kvalita na vaší konkrétní úloze. Podle mě se cena hostovaného rozhodnutí bude blížit nule a peníze se přesunou do doladění na vlastních datech. Cloudflare i Fastino už tím směrem vyrazili.

**Vyplatí se vlastní hardware?** Pro živnostníka nebo malou firmu kvůli ceně skoro nikdy. [Nadir spočítal](https://getnadir.com/blog/decision-models-compared-clef-perplexity-decider-jev-glide-cost/), že grafická karta H100 za 2,50 USD na hodinu by musela nonstop zpracovávat zhruba 17 tisíc tokenů za sekundu, aby porazila cenu Perplexity. Proti dražšímu Clefu stačí kolem 2 900 tokenů za sekundu. Lokální běh tedy dává smysl tehdy, když data NESMÍ opustit vaši síť. Výjimkou jsou malé enkodéry, které poběží na serveru, který už stejně máte.

## Jak si vedou v benchmarcích

Jednotný nezávislý benchmark zatím neexistuje. Každý výrobce měří na svých testech a proti svým verzím soupeřů, takže tabulky berte jako orientaci.

**Srovnání od Cloudflaru** je nejpodrobnější, ale měřil ho Cloudflare:

| **Test** | **Clef** | **Clef-flash** | **Jev** |
| --- | --- | --- | --- |
| BFCL (volání funkcí) | 98,5 | 98,8 | 95,8 |
| API-Bank (výběr API) | 91,9 | 93,1 | 88,2 |
| When2Call (kdy volat nástroj) | 72,4 | 65,6 | 81,0 |
| BANKING77 (záměry v bankovnictví) | 94,2 | 90,9 | 79,7 |
| CLINC150 + mimo rozsah | 97,4 | 66,8 | 89,3 |
| Medián latence (ms) | 209 | 39 | 524** |

\** Jev měřený přes internet na API TypeSafe, Clef na vlastní infrastruktuře Cloudflaru. Srovnání latence je tedy nefér.

**Další tvrzení výrobců a nezávislých testů:**

| **Kdo měřil** | **Výsledek** |
| --- | --- |
| Perplexity (11 testů, 7 210 vzorků) | Decider 85,7 %, Jev 84,5 %, samotný Qwen 74,8 % |
| Fastino (Decision Index 0.2.1) | GLiDE 64,8, Jev 57,9 |
| AWS (JevBench) | Strands Decider 2B 72 % |
| Rohit Raj (nezávislé srovnání) | Jev 0,857, Kev-9B 0,852, Laya 0,766 |
| Towards Data Science (77 záměrů) | Jev 79 %, GPT Terra 84 %, GPT Luna 86 % |

**Kde Jev drží náskok.** V testech náročných na znalosti, jako GPQA Diamond, vede Jev nad Clefem 78 ku 48. To je zatím jediný tvrdý doklad, že TypeSafe za dva roky vývoje postavil něco víc než ostatní za dva týdny. Pro typické směrování a třídění se ale ten náskok neprojeví.

## Tři hráči, o kterých má smysl uvažovat

**Perplexity Decider, když začínáte nový projekt.** Má cenu jako Jev, k tomu otevřené váhy, čtvrt milionu tokenů kontextu a obrázky. Když vám jednou API přestane vyhovovat, model si stáhnete a provozujete sami bez přepisování kódu. Za mne nejlepší výchozí volba. Výhrada: je ze všech nejčerstvější a nemá za sebou žádnou historii provozu.

**Jev, když potřebujete nejširší podporu v nástrojích.** Je referenční, má integrace ve Vercelu, OpenRouteru, Langfuse a Arize a vede na rozhodnutích náročných na znalosti. Rizika ale nepodceňujte: pozastavené registrace, dotovaná cena, kterou může firma kdykoli zvednout, a data jen v USA. Pokud máte s klientem podepsané, že data neopustí EU, Jev pro vás nepřichází v úvahu. Sám Jev používám, ale přes API OpenRouteru, protože jsem propásl možnost zaregistrovat se přímo na jejich firemní API a jsem líný přecházet jinam, když mám odladěno.

**Cloudflare Clef-flash, když běžíte na Cloudflaru nebo chcete rychlost.** Rozhoduje v desítkách milisekund a nepotřebujete dalšího dodavatele ani další API klíč. Otevřené váhy navíc dovolují hostovat model v EU. Je dvakrát dražší než Jev, ale v absolutních číslech jde pořád o drobné.

**A co lokálně?** Kdo potřebuje rozhodovat uvnitř firemní sítě, ať sáhne po AWS Strands Decider 2B s kompletně otevřeným receptem, nebo po GLiNER2.5-Decide, který poběží i na obyčejném serveru bez grafické karty. U češtiny si ale obojí nejdřív otestujte.

## Na co se rozhodovací modely hodí

Pravidlo je jednoduché: pokud váš kód potřebuje omezenou odpověď, podle které se větví, máte kandidáta na rozhodovací model. Pokud výstup bude číst člověk, potřebujete jazykový model. Tady jsou úlohy, kde vidím největší smysl.

**Třídění pošty a ticketů.** Podatelna městského úřadu, zákaznická podpora e-shopu, přeplněná schránka živnostníka. Nad každou zprávou položíte najednou několik otázek: kam to patří (Choice), je to urgentní (Noul), jak moc je pisatel naštvaný (Score). Odpověď máte za desetinu sekundy a tisíc zpráv vás stojí čtvrt koruny. Jazykový model by za stejnou práci chtěl desetkrát až stokrát víc.

**Směrování mezi modely.** Před každým voláním drahého modelu se zeptejte: zvládne to levný? Jednoduché dotazy pošlete malému modelu, složité velkému. Úspora se násobí u každého dotazu, a proto tohle použití uvádí jako hlavní Fastino i OpenRouter.

**Brána před akcí agenta.** Má agent pokračovat, zkusit to znovu, zeptat se uživatele, nebo skončit? Smí smazat soubor, odeslat e-mail, zaplatit fakturu? AWS na tom postavil celý mechanismus zásahů ve frameworku Strands. Pro uživatele Claude Code se nabízí podobná věc přes hooks: místo křehkých regulárních výrazů v PreToolUse se zeptáte rozhodovacího modelu, jestli je příkaz bezpečný.

**Výběr nástroje.** Agent s desítkami nástrojů nemusí pokaždé volat drahý model, aby zjistil, který použít. Jedna otázka typu Choice nad popisem úlohy to vyřeší za desítky milisekund.

**Přeřazení výsledků vyhledávání.** Vektorové vyhledávání nebo BM25 vám najde sto kandidátů, rozhodovací model každý ohodnotí podle relevance a kód nastaví práh. Simon Willison takhle nahradil drahý reranker. Já takhle na Vibecoding.cz hledám související články a vyšlo mi to zhruba 17× levněji než s Claude Haiku. Osvědčil se mi vzor: kód připraví, model rozhodne, kód vybere práh.

**Hodnocení výstupů jiných modelů.** Odpovídá vygenerovaná odpověď zdrojům? Splnil kód zadání? Je shrnutí věcně správné? Langfuse a Arize už mají hodnotitele postavené na Jevu a [Langfuse](https://langfuse.com/docs/evaluation/evaluation-methods/jev-as-a-judge) je obecně nazývá hodnotiteli s rozhodovacím modelem, takže tam půjdou zapojit i další. Stejný princip funguje jako brána v CI: nasazení projde jen tehdy, když model dá dostatečně vysoké skóre.

**Moderace a ochranné filtry.** Pokus o obejití pravidel modelu (jailbreak), toxický komentář, osobní údaje v textu. Desítky kontrol paralelně nad jednou zprávou za cenu jedné. Pro české weby je to nejpraktičtější použití: moderace diskuzí pod články bez nutnosti platit jazykový model za každý komentář.

**Hromadné zpracování dat.** Otagovat 50 tisíc produktů v katalogu, roztřídit archiv faktur podle typu nákladu, označit duplicitní záznamy v CRM. U jazykového modelu se tu cena nasčítá do tisíců korun, u rozhodovacího modelu do desítek.

**Prořezávání kontextu.** Které části dlouhé historie konverzace si nechat před dalším voláním modelu? Rozhodovací model ohodnotí každý kus a vy pošlete dál jen to podstatné. Pro Claude Code už existuje plugin fast-jev-compaction, který tímhle způsobem nahrazuje shrnování.

**Rozhodování nad obrázky.** Clef a Perplexity Decider berou i obrázky. Je na fotce od zákazníka skutečně poškozené zboží? Odpovídá fotka nahlášené závady popisu? Vypadá screenshot jako podvodná přihlašovací stránka? Perplexity na ukázku nechal svůj model hrát šachy jen podle screenshotu šachovnice, tah zvládl zhruba za 140 milisekund.

**Hry a simulace.** TypeSafe nechal Jev hrát Doom deset rozhodnutí za sekundu a spočítal cenu na zhruba 7 USD za hodinu hraní. Praktický význam to má malý, ale dobře to ukazuje, jak levné rychlé rozhodování je.

**Kdy rozhodovací model nepoužít.** Když potřebujete text, vysvětlení nebo zdůvodnění. Když úloha stojí na výpočtu nebo práci s daty. A hlavně když rozhodnutí dopadá na lidi: výběr uchazečů o práci, posuzování žádostí o dávky nebo úvěr. Model neřekne, proč rozhodl, a skryté zkreslení se v něm hledá velmi špatně. Na úřadě bych tohle nedovolil, ani kdyby to stálo nula korun.

## Co si z toho odnést

Rozhodovací modely tu zůstanou. Technicky jde o staré principy v novém balení, prakticky je to ale poprvé, kdy máme obecný, levný a rychlý rozhodovací nástroj se společným API. Pro agentní systémy je to přesně ten chybějící kus.

Náskok Jevu je malý, až mě to zaskočilo, jak rychle se jeho přístup dal okopírovat. Za dva týdny ho dohnali všichni velcí a jeden z nich ho cenou dokonce předběhl. Pro vás je to dobrá zpráva, protože dodavatele vyměníte změnou jedné adresy.

A teď to nejdůležitější. Benchmarkům výrobců nevěřte, ani těm, které jsem tu uvedl. Vezměte dvě až pět set vlastních případů, ručně je označte, prožente je přes dva tři modely, překalibrujte pravděpodobnosti a nastavte prahy. Zabere vám to odpoledne a ušetří měsíce. Já začínám s Perplexity Deciderem a Clef-flash a výsledky na češtině vám sem přinesu.

A k čemu já Jev a rozhodovací modely používám? [Píšu zde…](https://www.vibecoding.cz/articles/ostatni/jev-model-ktery-jen-rozhoduje/)

---

*Zdroje a platnost: ceny a dostupnost jsou platné k 5. říjnu 2026 a v téhle kategorii se mění po dnech. Většina výkonových čísel pochází od samotných výrobců. Hlavní zdroje: oznámení [TypeSafe](https://typesafe.ai/blog/introducing-system-one-models-and-jev), [Cloudflare](https://blog.cloudflare.com/clef-decision-models/), [Fastino](https://fastino.ai/blog/introducing-glide-the-first-thinking-decision-model), [dokumentace Perplexity](https://docs.perplexity.ai/api-reference/decisions-post), [The New Stack o AWS Strands Decider](https://thenewstack.io/aws-strands-decider-model/), přehled [MarkTechPost](https://www.marktechpost.com/2026/10/02/decision-ai-models-explained-typesafe-jev-vs-fastino-glide-gliner2-5-decide-and-open-source-competitors/), cenová analýza [Nadir](https://getnadir.com/blog/decision-models-compared-clef-perplexity-decider-jev-glide-cost/) a nezávislý test [GLiDE](https://anth.us/blog/glide-decision-model-ten-seconds/).*