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：

1. 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；
2. 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；
3. 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 / neutral），score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.md）：

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.py），4B 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 API（POST /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。