3 天造出登顶模型，「AI 参与造 AI」的时代真的来了吗？

3 天造出登顶模型「AI 参与造 AI」的时代真的来了吗【免费下载链接】JEV-27B-VL项目地址: https://ai.gitcode.com/hf_mirrors/autotrust/JEV-27B-VL9 月中旬硅谷初创 TypeSafe AI 发布决策模型 Jev不生成文本而是把输入归类到一组预定义输出——回答是/否、输出 0–5 评分、或从候选列表里选一个公司称之为面向校准决策的强化学习。此后不到两周OpenAI 上线 Decisions API、Cloudflare 开源 Clef冻结 Qwen3.8-27B 基座 专用路由头、AWS 拿出 Strands Decider 2B砍掉语言头、用 pointer head 单次前向打分、Databricks 跟进 ai_decide。9 月 30 日成立不到 5 个月的上海公司 StartLux 发布全开源的 StartLux-Decision0.8B–27B 五档在 Decision Index 0.2.1 的 38 项基准里 31 项超过 Jev综合得分 63.88 对 57.91更抓眼球的是团队口径从确立方向到完成首轮研发与验证大约只用了 3 天且核心研究与决策环节约 70% 有 AI 参与。3 天、登顶、AI 造 AI——三个词叠在一起很难不追问这是话术还是研发范式真的变了光看发布会回答不了这个问题得看真实研发物料。本文恰好能提供一个解剖样本AutoTrust 的 JEV-27B-VL——同样登顶Jev Decision Index 0.3 Vision 榜单第一、同样 Apache-2.0 全开源、同样一条命令即可部署的 27B 多模态决策模型。它的仓库把决策模型的研发配方摊在了明面上一次前向传播输出校准概率的 System 1、负责长考的 System 2、LoRA 适配器 决策头 温度校准、一行 serve.sh。结合社区对 StartLux Auto Research 体系的报道我们可以把3 天拆成可核验的步骤看看哪些是流程红利、哪些是体系壁垒以及小团队和大厂分别能抄走什么。「3 天」是怎么做到的流程与工具还原先把背景坐标钉死。据《华尔街日报》报道Jev 问世约三周时TypeSafe 创始人阿尔梅达前 OpenAI ChatGPT 团队成员对媒体表示约 25% 的财富 500 强企业正在使用这款模型日处理 token 量一周内达到 1 万亿公司此前从 DCVC 拿到 4000 万美元融资据 The Information 报道正洽谈估值可能超 100 亿美元的新一轮融资。在这种热度下跟风产品以天为单位出现开源侧也密集跟进Kev0.8B–27B 自训练、上海 AI Lab 的 Intern-Decision、StartLux-Decision、以及在消费级显卡上复现 direct-mode 决策读出的 SemIf-OpenJev。StartLux 的3 天正是在这个坐标系里发生的。按机器之心对联合创始人兼 CTO 郭权玮的专访报道公司长期建设名为Auto Research的研发体系这次只是把该体系迁移到一个新模型品类上机械性工程——配置生成、训练启动、Eval 运行、结果整理——的自动化率已超过 95%核心研究与决策环节——失败分析、数据补充判断、下一个实验变量、路线是否继续投入算力——中 AI 参与比例约 70%一次典型的迭代循环训练后的失败样本被送入研究系统 → 多个模型协同分析原因并提出假说数据覆盖不足 / 推理链缺陷 / 缺对应行为强化→ 系统评估假说价值 → 自动构造数据、启动训练、运行 Eval → 检测能力退化 → 结果反馈进下一轮迭代。最后一步检测能力退化是关键在固定参数量下训练本质上是能力重分配该团队公开实验中 GPQA 从 83.33 升至 90.40、GAIA 从 57.57 降至 45.70所以每一步都必须被快速、可复现地验证。而决策模型恰好是被设计成可验证的一类模型——这也解释了为什么它成了 Auto Research 管线首选的试点品类。仓库里的配方为什么决策模型的研发面这么小3 天能跑通取决于研发面有多小。JEV-27B-VL 的仓库把这件事量化得很清楚1. 冻结基座只训练一个小得多的面。config.json 显示它基于 Qwen3.8-27B——64 层、线性注意力与全注意力交替的混合架构、原生 262,144 token 上下文——且视觉编码器完全沿用基座未改动。真正的训练产物只有两样LoRA 适配器r32、alpha64target_modules 覆盖各投影层与 lm_head和一个决策头24 个 verbalizer 槽位false/true、0–5、A–P配 bias 向量与按类别的温度。README 甚至写明System 1 适配器与决策头只用文本训练榜单上全部图像决策都是 zero-shot。2. 接口标准化让数据构造与评测可自动化。决策输出被收敛成三种原语——noul是/否、score0–5、choice2–256 个选项决策逻辑一句话就能写完decision logits lm_head-LoRA logprobs of verbalizer ids bias再按类别除以温度见 decision_head.json 的 note 字段。serve_decide.py 的 System 1 实现就是把这一行公式落到一次前向传播构造[kind]/[state]/[question]/[options]/[decision]:模板 → 只读一个 token 的 logprob → 加 bias → 按温度缩放 → softmax。候选答案不需要自回归生成也就没有解析自然语言输出这个不可控环节。3. 校准是最后一公里且被产品化。温度不是玄学是拟合出来的calibration.json 记录了 noul/choice/score 三类的温度约 1.014/1.016/1.004、拟合样本数4363/3418/3173与校准前后 ECE 对比诊断集 0.0027 → 0.0014。README 给出最终指标13,695 行图像决策上 ECE 0.019文本决策 ECE 0.0009——当它说 80% 时确实约 80% 是对的。4. 部署被压成一条命令。serve.sh 用 vLLM 拉起服务--enable-lora --lora-modules jev-decision...挂载适配器--max-num-seqs 8保证批处理下概率读出正确同一端口同时提供 OpenAI 兼容端点与POST /v1/decide。社区教程验证80GB 显存显卡约 5 分钟跑通。研发面小 接口标准 校准产品化 一条命令部署四件事叠加从方向到首轮验证被压到天级在逻辑上就说得通了。StartLux 的说法指向同一机制同系列基座切换时积累的数据与训练经验大部分可复用而 Pipeline、Eval 与失败分析体系的迁移率更高——3 天是体系迁移的结果不是从零开始的结果。AI 参与造 AI颠覆的不是速度是研发节奏的控制权把3 天解读成AI 自己写代码造模型是误读。更准确的描述是AI 进入了研发流程的决策环——分析失败、提假说、评估实验价值、决定下一步。StartLux 提出的 RSIRecursive Self-Improvement五级划分把这件事讲得很清楚Level 0 是自纠错Level 1 积累记忆与经验Level 2 是自动化训练AI 生成数据、写代码、起训练、跑 EvalLevel 3 是 Auto ResearchAI 分析失败、提新假设、参与决定方向Level 4 才是完整递归——被改进的 AI 连改进 AI 的能力本身也持续增强。团队自评处于 Level 3。这个分级值得每个做模型研发的人对照自动化启动训练已经成熟难的是训练结束后的分析决策——为什么失败、该补什么数据、是算法问题还是推理顺序问题、下一个实验调什么、这条路线值不值得继续烧算力。AI 参与造 AI真正被改变的是这一层的节奏人类从每轮实验手动复盘变成设定目标、审查系统提出的假说与方案、按 Eval 结果拍板而 Eval 本身又能被 AI 加速执行。这里有一个容易被忽视的闭环决策模型既是 Auto Research 的产物也是 Auto Research 的验证组件。自动化研究本身充满离散决策——哪些失败值得深挖、下一步调用什么工具、多个实验方案如何排序、何时终止当前路线——StartLux 也明确提出了让 Decision Model 参与研究流程的设想。而在 JEV-27B-VL 仓库里这一侧的能力已经被评测数据覆盖多模态裁判VL-RewardBench1,247 对人类验证对上 78.3% 整体准确率高于官方榜单全部 26 个模型比专用训练的奖励模型 Skywork-VL-Reward-7B 高 5 分、比 GPT-4o 高 12.5 分在 Meta 的 Multimodal RewardBench 2 上文本-图像判断 69.2%距 GPT-5 仅 1.3 分智能体裁判Plan-RewardBenchACL 2026上 73.2% 宏平均准确率位居论文表格之首Qwen-Plus 70.0、GPT-5 68.5AgentRewardBench 上在官方榜单每个裁判的同等召回率下精度更高AUROC 0.91幻觉守卫TriviaQA 上只回答最信任的一半准确率从 71.2% 提到 96.4%回答裁判RewardBench 89.9 分高于 Gemini 1.5 Pro、GPT-4o 与 Claude 3.5 Sonnet 作为裁判的公开成绩。也就是说AI 造 AI所依赖的可靠验证可以部分地由另一批毫秒级、可本地部署、概率经过校准的小模型来承担。研发系统因此能做得更深失败样本自动分流、实验输出自动打标、候选方案自动排序。当验证成本降到毫秒级每轮实验都验证才成为可行策略——而这反过来又支撑了3 天一轮的研发节奏。同样的判断能力接进控制回路时效果同样直观仓库的实测报告中机械臂抓取任务以每次约 239ms 的决策周期完成 20 个随机场景中的 75%reports/demos/arm_servo.json浏览器自动化以约 0.26s/次点击完成 60 个多步任务中的 95%reports/demos/cu_results.json。速度神话的可复制性小团队与大厂分别能抄走什么把3 天造出登顶模型理解成通用新常态会严重误导预期但它确实划出了可复制与不可复制的边界。可复制开源杠杆让造一个决策模型接近搭积木决策模型的特殊性在于它的研发面被刻意做小且产物高度标准化天然适合开源生态复制开放权重与许可JEV-27B-VL 以 Apache-2.0 发布LoRA 适配器、决策头、校准参数、聊天模板全部随仓库提供一行 serve.sh 起服务零样本跨任务泛化System 1 在 CLINC150 上把全部 150 个意图一次性作为选项仅凭意图名即可达 89.5%每条加一行use when描述则 93.8%把关键句随机埋进最长 25 万 token 的真实文本每个长度档位的判断正确率都是 20/20PubMedQA 测试集上 77.8% 零样本准确率逼近人类专家 78.0%、高于 GPT-4 零样本 75.2%打平行为数据零样本短视频推荐只看封面AUC 0.727 追平由 59,045 名用户观看历史训练的协同过滤0.728Top-5 命中率反而更高59% 对 49%小团队的自训路径社区已有 Kev 等 0.8B–27B 项目把自训练 私有化部署做成完整教程核心动作是在业务数据上重校准温度、验证置信度阈值——不需要造基座社区复现速度本身就是证据从 Jev 发布到 Clef、Decider、Kev、Intern-Decision、StartLux-Decision、SemIf-OpenJev 的密集出现两周内一个品类被开源社区拆解并重实现多遍。不可复制数据-失败-评测的飞轮3 天成立的前提是已经有一套能跨品类迁移的体系。StartLux 自己把长期核心资产定义为数据的有效性识别、失败样本的处理机制、实验评估体系、下一轮实验的自动生成能力。这些资产靠一次发布建立不起来靠买硬件也买不来——它们来自每一轮失败样本的累积和反复校准。对两类主体这张图谱的落点完全不同小团队与个人开发者最佳路径不是复刻3 天造模型而是复用已有决策模型 自有业务数据做重校准/自训练把投入放在评测集与阈值验证上——这恰好是仓库 Limitations 反复强调的部分图像决策的校准未被系统测量、超过 16 个选项的校准只在一个数据集上验证过、长上下文测试仅覆盖文本单事实决策。快不等于已验证验证才是小团队真正该买的东西。大厂与基础设施方把决策层做成基础设施Cloudflare 的路由头、AWS 的 pointer head、OpenAI 的 Decisions API同时把 Auto Research 流水线作为内部复利资产——他们抄的不是某个模型而是数据 失败 评测 下一轮实验闭环的规模化。说到底3 天与登顶是两个不同的故事登顶靠方向、数据与评测的选择3 天靠把研发拆成可路由、可验证、可复用的离散决策——这与决策模型本身是同一套逻辑的两个面。当判断被做成一种毫秒级、可校准、可本地部署的基础设施AI 参与造 AI就不再是口号而是一套每天都在运行的流水线。本文写作所在的 JEV-27B-VL 仓库本身就是这种分工的注脚模型权重、适配器、校准文件、部署脚本与评测报告共存于一个可下载的目录。任何团队都可以在一小时内把它跑起来把 System 1 接进自己的业务循环然后开始积累真正属于自己的那部分资产——失败的样本、校准过的阈值、以及下一轮实验。【免费下载链接】JEV-27B-VL项目地址: https://ai.gitcode.com/hf_mirrors/autotrust/JEV-27B-VL创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考