ReJev 用 MiniCPM5-2B 做决策，准确率升至 80.50%

Jev 引出了一个引人深思的问题：当你的智能体只需要做出一个决策时，为什么要生成一整段文字？

选择路线、对输入进行分类、挑选下一步行动——AI 工作流中的许多环节都需要从已知选项中做出明确选择。

这正是 ReJev 背后的理念，它是一个独立的社区项目，使用 MiniCPM5-2B 探索 Jev 式的决策方式。通过 LoRA 后训练，它将我们的开源 2B 模型适配到一个聚焦的任务上：

状态 + 问题 + 候选选项 → 一个决策。

在该项目封存的 1,892 个样本测试集上：

📈 准确率从 51.11% 提升至 80.50%（+29.39 个百分点）

🎯 在所报告的评估中，无效输出占比为 0%

💰 Modal 应用累计计费约 5.31 美元，其中包含此前的实验性开销

其意义不止于准确率的提升：它为开发者提供了一个具体的实验范例，展示了如何教会一个小型开源模型做出有边界的决策——这类能力对于智能体路由和工作流控制而言值得深入探索。

这是一个早期的、针对特定任务的结果，并非证明其与 Jev 相当的证据。但它为构建者提出了一个实际问题：

在你的智能体技术栈中，哪些决策可以交给一个专门的 2B 模型来处理？

🔗 探索 ReJev：github.com/Joe-rq/ReJev