本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 最近自己折腾了一个小项目： AgentJev-0.6B ，想给 Agent 做一层轻量的 System 1 decision model。 起因是前段时间一直在看 Jev 这个方向，感觉挺有意思，但 Jev 本身没有完整开源，很多实现和训练细节没法直接研究，所以干脆按照自己的理解重新做了一版。 模型底座是 Qwen3-0.6B，主要做 Boolean / Choice / Score 三类决策。输入可以是日志、diff、trace、工具状态之类的信息，然后直接返回候选项的概率分布，不需要生成文本，decoded token = 0。 算法上我主要做了几件事：让 candidate 之间先互相参考再统一打分；去掉候选位置依赖；训练时直接学习完整 probability distribution；最后再单独做概率校准。 Laya 发得比我早，所以我也直接拿它当 baseline 跑了一遍 Typed Decisions。 目前同一个 2000 题测试集： AgentJev：79.25% Laya：77.00% 纸面上高 2.25 个点，不过这个只能说明 benchmark，真实 Agent 场景我还没做完整 PK，这块不敢吹 另外我也做了 shared-prefix KV reuse，在 64 Choice + 1 Boolean 这种多候选场景下，实测 609ms → 299ms。 代码、权重和评测结果都已经放出来了： GitHub： github.com GitHub - malevrigns/agent-jev: AgentJev-0.6B - a fast 'System One' decision model... AgentJev-0.6B - a fast 'System One' decision model for AI Agents: feed it any unstructured state (diffs, traces, logs) and structured questions, get calibrated probability distributions back in one ~50ms forward pass. Zero output-token decoding. Hugging Face： huggingface.co aimeigaoshou/agent-jev · Hugging Face We’re on a journey to advance and democratize artificial intelligence through open source and open science. 目前还是比较早期的一版，后面准备继续加真实 Agent trajectory、tool routing 和 outcome-based learning。 LinuxDo 大佬多，欢迎帮我看看，模型设计、训练方式、benchmark 哪里有问题都可以直接提，我也想看看这条路线到底能不能在真实 Agent 里跑起来。 一些可视化效果如下： 在claude中的效果： 2 个帖子 - 2 位参与者 阅读完整话题

  • 情报分类：开源项目与落地
  • 分类依据：内容涉及项目实践、创业、副业或变现
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/9/22 23:23:38