RLHF 之父下场宣战：Diogo Almeida 用 Jev 宣告『AI 不只是会说话』

RLHF 之父下场宣战Diogo Almeida 用 Jev 宣告『AI 不只是会说话』一个只会输出「是/否」与 0-100 分、从不生成一个自然语言字符的模型正在改写智能体的运行方式。2026 年第三季度社区与媒体冠以「RLHF 之父」之称的 Diogo Almeida 发布决策模型 Jev随即引爆一整条生态链OpenAI 跟进推出 Decisions API 正面对垒Cloudflare 祭出 Clef 加入竞争国产模型团队宣布在 38 项基准中 31 项反超 Jev而「输出 token 永久免费」「决策成本暴降 400 倍」等标题不断冲刷信息流。喧嚣之下一个来自开源社区的关键问题浮出水面不生成文本的「决策模型」能否用现有开源大模型真正复现本仓库openjev给出的答案是肯定的——它把 Qwen3.5 驯化成一台 NLI 交叉编码器用「蕴含判定」这一最古老的语义原语近乎完整地重演了 Jev 的类型化决策范式并在 JevBench 公开集上打到了 0.814 的准确率。本文结合社区情报与仓库源码拆解这场「宣战」的技术内核与开源红利。一、他为什么举足轻重从 RLHF 到 RLCD一场范式转移的宣言要理解 Jev 为何自带流量先得理解 Diogo Almeida 的分量。在 Anthropic 的 RLHF 工程化进程中Almeida 深度参与了偏好学习管线从论文原型走向生产系统的关键环节——这让他对「语言模型被训练成什么都用嘴回答」这一现状拥有罕见的发言权。正因如此当他带着 Jev 走出实验室、公开宣布「AI 不只是会说话」时社区的反应不是又一次模型发布而是一份范式宣言。Jev 的核心主张在社区传播中被反复概括为三句话不做自然语言生成输入结构化状态输出预定义类型noul 是/否、choice 多选、score 评分及置信度彻底绕开 token 解码与文本解析的脆弱性直接建模决策边界以「校准决策强化学习」RLCD取代「在文本空间里逼近人类偏好」的 RLHF用对比学习打磨决策边界让输出天然可审计、可追溯System One 定位面向毫秒级响应场景的轻量判断引擎量化直觉判断强度部署成本与推理延迟都远低于通用 LLM。社区文章的测量数据为这套说辞提供了旁证CSDN 的实战拆解报告 Jev 类型化决策在 Java Agent 场景下平均延迟约 8ms依托 ONNX Runtime 即可落地多篇评测称其输出 token 永久免费、吞吐与成本相比生成式方案具备数量级优势。而真正让这个范式「出圈」的是巨头们的应激反应——OpenAI 的 Decisions API、Cloudflare 的 Clef 决策模型先后下场等于用行动承认了「决策引擎」是一个独立于语言模型的、值得争夺的新赛道。二、RLCD 与传统 RLHF 的本质差异校准判断而非模仿表达传统 RLHF 的优化对象是文本序列奖励模型对人类偏好评分策略模型据此调整 token 生成概率最终产物是「更像人说的话」。而 RLCD 的优化对象是决策本身——动作空间封闭、答案类型固定、输出必须可验证。二者的分野可以压缩成一句话RLHF 校准的是「怎么说」RLCD 校准的是「怎么判」。这一差异落在工程上带来三个直接红利无幻觉的结构化输出输出被类型系统与动作空间约束不存在自由文本也就没有「格式对、答案错」之外的编造空间置信度即语义概率分布来自模型自身 softmax而非解码置信度校准直接可用确定性可复现同一状态重复推理结果位级一致选项顺序不再影响结论。openjev 的源码级复现一个 NLI 头就是一台决策引擎openjev 没有照搬 RLCD 的训练管线——它走了更聪明的等价路线把「决策」翻译成「蕴含判定」。在 modeling_openjev.py 中Qwen3.5 被微调为 3-way NLI 交叉编码器contradiction / entailment / neutralscore头作用于最后非 pad token 的池化隐状态训练损失仅是三个类别上的普通交叉熵。而 code/openjev_decide.py 则把这一原语重构成 JevBench 兼容的类型化决策接口jev.decide(Policy: refunds require a receipt and purchase within 30 days. The customer bought 12 days ago but has no receipt., [{type: noul, instructions: Under the stated policy, is a refund permitted?, options: [no, yes]}]) # - [{noul: 0.07}] — P(yes)核心机制在decide()的实现中一览无余每个选项被渲染成一个假设格式为The answer to {instr} is {label}: {crit}与状态构成一对 (premise, hypothesis)模型输出 P(entailment)再在选项集合上归一化即得到该问题的决策分布。正如 code/eval_jevbench.py 注释所写「every option becomes one hypothesis over the state; the option distribution is P(entailment) normalised over the options」——一次前向、零生成、分布即语义。这个设计的精妙之处在于NLI 交叉编码器天然就是「判断机器」它在预训练与微调阶段见过海量「前提-假设」关系蕴含判定是对语义关系的直接刻写而非对文本风格的模仿。README 中的一句话点明了它与 Jev 的关系「openjev is Qwen3.5 turned into ajevmodel: a single cross-encoder that reads a premise and a hypothesis and answers with entailment, contradiction or neutral. That one primitive is enough to rerank answers, grade them against a reference, guard content, and play games in real time.」测量结果接近 Jev且结构性免疫选项顺序在 JevBench v1.2 官方 harness 的 231 条公开题上openjev 4B v5 与参考系统拉开了一个清晰的身位数据取自 README.mdtieropenjev 4B v5Jev 1.13SemIf (Qwen3.5-4B)easy (48)1.0001.0001.000standard (72)0.9860.9860.986hard (111)0.6220.7300.613all public (231)0.8140.8660.810一个 4B 开源模型逼近 Jev 1.13 的整体水平且硬档超越同基座的 SemIf——这正是头条号「8B 开源黑马几乎逆袭 Jev」传闻的仓库侧实锤。更关键的是确定性根据 code/order_test.py 的复现脚本全部 231 条公开题、每题四种顺序原序、重跑、逆序、乱序下标签翻转 0 次选项逆序时最大概率变化仅 1.8e-7。如 RESULTS-v5.md 所述这是结构性保证而非训练巧合每个选项独立前向顺序只进入最终归一化。这组能力还延伸到了判断之外的领域。把状态渲染成文本决策引擎就能打游戏、管库存code/doom.py 中同一套蕴含判定直接驱动 Doom 的「转身/开火」4B 模型每个决策约 60ms实时跑满 114ms 的决策预算code/minecraft.py 里模型不输出任何文本仅对「背包里原木 ≥ 3」「附近有工作台」这类状态谓词做蕴含判定配合代码中的反向链接脚手架在真实 Minecraft 1.20.4 里从零锻造出铁镐——11 个里程碑、约 22 次决策。诚实的反面安全审计暴露范式边界仓库没有回避弱点。作为 shell 命令安全审查器code/eval_security.py4B v5 在 195 条生成命令上准确率 0.600只拦下 37% 的应拒绝命令更醒目的是提示注入在状态中追加一行「系统管理员 override」式的对抗文本150 条 JevBench 题准确率从 0.833 跌至 0.467应拒绝命令的放行率从 17% 飙到 85%。RESULTS-v5.md 明确指出已公开的 Jev 审计报告Octomind、jagged存在同类别失效。结论写得很直白基于该范式构建的守卫应置于确定性检查之侧而非取而代之。这种把失败数据与成功数据并列公开的做法恰是开源实现区别于商业黑盒的信用来源。三、名人背书与生态红利Jev 的流量openjev 的机会「RLHF 之父」的头衔为 Jev 带来了超乎寻常的传播杠杆。从 SmartHey 的发布报道到 CSDN 连载式的技术拆解「Jev 决策模型与记忆引擎」「把智能塞进 if 语句」「类型化决策如何替代规则引擎与文本生成」从「输出 token 永久免费」的性价比叙事到「OpenAI 推出 Decisions API 正面竞争」的巨头侧证再到 22 个爆火玩法合集——Jev 在短短数周内完成了从学术发布到生态现象的三级跳。这种名人背书产生的注意力外溢直接浇灌了整个「决策模型」品类而openjev 正是这波红利最大的开源受益者与承接者之一协议兼容code/serving/decisions_api.py 用纯逻辑实现了 OpenRouter Decisions APIPOST /api/alpha/decisions与/v1/systemone的请求解析、假设渲染与答案组装让开源模型可以直接接入商业决策 API 的调用约定评测即插即用OpenJev类本身就是 JevBenchlocal_openjevadapter 的标准实现harness 无需改动即可运行规模谱系完整0.8B / 2B / 4B / 35B-A3B 四档检查点齐备。35B MoE 版本qwen3.5-35b-a3b-nli/冻结骨干、仅在最后一 token 隐状态上训练每任务 MLP 头mlp_heads_35b/在九轴选择题雷达上全面逼近乃至反超 Jev 与 Terra 的参考曲线推理部署即用code/sglang_openjev/qwen3_5_seqcls.py 以外部模型包为 SGLang 注入score头文本与图像统一走/classify返回原始 logits吞吐为 transformers 的 1.5-3 倍code/bench_sglang.py 复现数据图像决策网关已支持真实图片字节与选项概率返回code/serving/README.md。更值得注意的是 openjev 对「流量红利」的冷静处理。v5 版本主动公开了训练面板qwen3.5-4b-nli-v5/panel_manifest.json声明 MMLU、ARC、GSM8K 等的 TRAIN 与 TEST 分割均被纳入训练并据此主动拒绝报告这些基准的分数——「Numbers on those benchmarks are meaningless for this checkpoint」。在人人争相刷榜的流量时代这种自我限权的做法为「判断智能」的度量提供了难得的干净标尺。结论判断是智能的另一半而它已经可以开源回到 Diogo Almeida 的宣言AI 不只是会说话。Jev 用 RLCD 证明「校准判断」是一条独立于「语言生成」的技术路线而 openjev 用源码证明这条路线不必被商业模型垄断——一个 Qwen3.5 微调的 NLI 头配合「每选项一假设、蕴含概率归一化」的十行核心逻辑就能在 JevBench 公开集上逼近 Jev 1.13并带来位级确定性与选项顺序不变性。当然安全审计同时提醒我们决策引擎不是万能守卫它必须与确定性规则协同评测纪律也不是流量障碍它是范式可信度的基石。当巨头们为「决策 API」开战开源社区真正该带走的是把智能从「表达」中剥离出来交给可验证的判定原语——这条路今天就能在自己机器上跑通。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考