Jev 论文潮来袭：LLM2Jev 与 Chinese-Jev 等一批 System One 决策模型研究
Оригинальный заголовок: 炸裂，一大波Jev论文来袭
Заголовок и краткое изложение на выбранном языке ожидают перевода.
9 月 15 日发布的 System One 决策模型 Jev 一周内 GitHub 相关项目超两千个、star 破四万，一批论文随之涌现。
Jev 是9月15日发布的一类 System One 决策模型。它不生成文字，只做一件事：给你几个候选选项，它直接输出每个选项的概率。
发布才一周，GitHub 上就冒出两千多个相关项目，star 数冲破四万。论文潮紧随其后，从医疗到星际争霸，从手机端到6G边缘网络，从Agent记忆到GUI-Agent，几乎每个角落都有人在试它。
领域 | 代表工作 | 关键结果 |
|---|---|---|
| 评测 | Benchmarking-Jev（arXiv:2609.37647） | 在 27 个数据集上击败 Qwen3.8-27B 直接读数； |
| 医疗 | 放射科报告核查；德州五年车祸笔录筛查（arXiv：2609.34024，2609.27607，2610.00213） | 与 GPT-6 Sol 几乎战平（78.4% vs 78.2%），2823 题花 8 美分； |
| Agent | 手机GUI智能体高频动作选择；星际争霸亚秒级动作决策；智能体记忆路由与停止（arXiv:2609.30186，2609.27331，2609.23986） | AndroidWorld 成功率 79%，执行时间省 30%；查询延迟降40% |
| 行业落地 | 网络入侵检测；6G 边缘网络意图解析；推荐重排序（arXiv:2610.01079，2609.22753，2609.40241，2609.23959，2609.33538） | 比 GPT-5.6 Luna 快 4.8 倍、便宜 3.8 倍，新攻击召回更高；6G 决策延迟砍 20%-60% |
这篇论文问了一个很「省」的问题：既然 Jev 类模型只是把概率铺在候选答案上，通用 LLM 的下一个 token 概率里，是不是本来就藏着这个能力？
图：LLM2Jev 的四件套——编号选项、候选后缀 trie、免训练配方、可选微调
做法朴素得可爱。给选项编上号，[1] [2] 一直到 [12]，然后在提示词末尾预填一句「Best answer: [」，模型下一个 token 落在哪个数字上，概率就是哪个选项的。
妙处在那枚闭括号。它让所有候选后缀天然前缀无关，选项数量不再设限——Banking77 的77个意图，一次前向就能读完整个分布。
表：免训练的4B模型在 JevBench 拿到81.4%，与同底座社区专用模型持平（来源：论文 Table 2）
结果相当能打。冻结的 Qwen3.5-4B 在 JevBench 公开231题中答对188题，准确率81.4%，不输任何同底座的社区专用 Jev 模型，还把单字母 logit 读数法甩在身后。更难得的是 ECE 只有0.057，概率出厂即校准，不需要任何事后缩放。
两个细节值得玩味。一是打分与生成高度一致：让模型先给概率再自由作答，两条路径的答案几乎总相同，说明决策并非「表演」。二是这套接口天然多模态，MMBench、MMStar 上的视觉选择题也能直接读，微调时完全没见过图像也不妨碍。
那还要不要微调？论文给出了一份诚实的「劝退指南」。微调目标设计得很讲究：listwise 损失沿候选 trie 分解，再配上三个 KL 锚点，防止模型忘了怎么聊天。
结论一句话：规模决定收益。0.6B 小模型微调后 Banking77 暴涨42.6个百分点；而4B模型跑完一整个 epoch，JevBench 反而从81.4%跌到76.2%。作者的实用建议是：弱模型放心全参微调，强模型用 LoRA 点到为止，KL 锚点务必保留。
动机很直接：现有 Jev 模型在中文任务上水土不服。团队的解法是先从数据下手——搭一条统一管线，把来源各异的中文标注全部转成「候选选项上的概率目标」，八类任务共1000万条训练决策，语义匹配占24%，评论评分占19%。
图：1000万条通用训练决策在八类任务上的分布（来源：论文 Figure 1）
图：轻量 encoder-only 主干联合编码输入与候选，共享打分器输出 choice、noul、score 三种决策（来源：论文 Figure 4）
架构走轻量路线：encoder-only 主干配上决策头和共享打分 MLP，choice、noul、score 三种决策形式一套模型通吃。训练目标也有巧思，在交叉熵之外叠加了 RLCD 强化项——对每个决策的 logits 施加高斯扰动并复用编码结果，用奖励信号把概率推向 calibrated 的方向。
训练分两步：先在通用语料上预训练，再针对医疗、法律、金融做领域微调。团队还放出了含30.79万条 held-out 决策的 CJ-Bench，准确率与校准一并考。
数字相当漂亮。通用集上准确率69.20%，反超闭源 Jev 的68.35%；ECE 从11.45%压到3.78%；单条决策延迟14毫秒，对 Jev API 的284毫秒，整整20.3倍速。
表：领域专家版达到 Jev 平均准确率的92%，每个决策始终15毫秒（来源：论文 Table 2）
值得点赞的是作者的诚实：领域微调后平均 ECE 为12.08%，仍高于 Jev 的5.57%，论文明确提醒「校准要和准确率分开评估」。这种不藏短处的写法，比单纯刷榜有说服力得多。
https://arxiv.org/pdf/2610.02076
LLM2Jev: LLMs Are Already Jev-Style Decision Models—When and How to Fine-Tune Them
Chinese-Jev: Bringing System One Model to
Chinese-Language Tasks
https://arxiv.org/pdf/2609.36965
https://gulucaptain.github.io/Chinese-Jev/Источник: PaperAgent · mp.weixin.qq.com