Chinese-Jev：中文 System One 决策模型¶

复现级别：L1 目标函数与模型头。 实现候选 marker 表示、候选概率监督与 RLCD 风格校准项；未训练论文 1000 万样本模型。

论文信息¶

字段	内容
论文链接	Chinese-Jev
公司 / 机构	复旦大学（第一作者署名单位）
首次公开日期	2026-09-29（arXiv v1）
原作者代码	尚未发布独立仓库；项目页称将发布模型、数据和代码
本地 adapter / 方法	`chinese-jev`
本地复现代码	`src/auto_research/foundation_latest_20260930.py`

原始论文总结¶

背景与主要改动¶

Chinese-Jev 面向分类、路由、候选选择等封闭输出任务，用轻量 encoder 读取中文上下文和候选项，以各候选 marker 的隐藏状态直接评分。异构标注统一成候选概率分布，先做 1000 万条通用预训练，再按医疗、法律、金融分别微调。

flowchart LR
  X[中文任务与候选] --> E[Encoder]
  E --> M[候选 marker hidden states]
  M --> P[softmax 决策分布]
  Y[概率标签] --> CE[交叉熵]
  P --> CE
  P --> R[RLCD 校准]

原论文关键图¶

原论文 Figure 1，展示通用中文决策数据构成。图片来自原论文，版权归原作者所有。

核心公式¶

候选 \(i\) 的分数为 \(s_i=w^\top h_{m_i}\)，\(p_i=\mathrm{softmax}(s)_i\)；本地目标组合软标签交叉熵 \(-\sum_i q_i\log p_i\) 与以 reward-centered advantage 加权的 \(-\log p_i\)，保持论文“候选决策而非自回归生成”的核心边界。

论文离线与线上效果¶

论文报告通用任务准确率较闭源 Jev 高 1.24%、速度快 20.3 倍；领域微调后医疗高 4.0%，并报告约 15ms 平均延迟。这些均为原论文结果。本地三种子机制指标见 metrics/mechanism-seeds42-44.json。

本地复现与边界¶

ChineseJevHead 可前后向并验证概率归一化和有限梯度；没有论文数据、完整 backbone、移动端 INT8 部署或论文级性能对照。