Darwin-27B-ZTC

Darwin-27B-ZTC

读取一个情境和一组带类型的问题，一次前向计算就为每个选项返回概率，不生成任何文字。适合给工作流增加校准决策步骤的开发者。

由 FINAL-Bench 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是 Darwin 系列中的一个模型，做决策时不生成任何词元。你给它一段状态和带类型的问题，它为每个问题的每个选项返回一个概率。每个问题只需要一次前向计算，不写任何文字。每个选项可以附一小段描述，模型会连同问题一起读。

适合谁：适合希望模型在列出的选项之间做选择、并报告自己有多确定，而不是用文字写出回答的开发者。

行业 | 谁在用 | 怎么用 | 例子
客户支持 | 支持运营团队 | 从固定清单里为工单挑选下一步动作 | 一张账单工单在退款、升级或关闭之间的打分
工作流自动化 | 自动化构建者 | 给流水线加一个是或否的检查 | 一个请求是否需要审批的概率
审核与合规 | 审核人员 | 按有序评分标准给一个案例打分 | 评分标准每一级的概率
AI 工程 | 智能体构建者 | 在聊天模型旁边把它当作快速决策步骤 | 用校准过的概率把任务路由给合适的工具

如果你需要自由文本、聊天或摘要，或者你的 GPU 放不下约 54 GB 的权重，可以跳过它。

用在哪里：它作为 Python 代码在 GPU 机器上运行，使用仓库里自带的推理代码。

• Python，加 torch、支持 Qwen3.5 的 transformers、safetensors 和 pillow
• 能容纳约 54 GB BF16 模型权重的 GPU
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

使用场景 | 谁用 | 得到什么
工单路由 | 支持团队 | 清单上每个动作的概率
是或否的检查 | 工作流构建者 | 是与否的可能性
评分标准打分 | 审核人员 | 有序评分标准每一级的概率

如何设置：安装这些包，下载仓库，并把它的文件夹放进 Python 路径，让自带的 autojev 代码可以加载。仓库里还带着权重和读出头。

• Python
• torch、支持 Qwen3.5 的 transformers、safetensors 和 pillow
• 能放下 BF16 权重的 GPU

1. 安装这四个 Python 包。
2. 用 Hugging Face 工具下载仓库快照。
3. 把下载的文件夹加入你的 Python 路径。
4. 用那个文件夹创建一个 DecisionModel。

pip install -U huggingface_hub
hf download FINAL-Bench/Darwin-27B-ZTC

如何使用：构建一行数据，包含状态和问题。问题有类型、说明和准则，每条准则就是一个带自己描述的选项。调用会按准则的顺序，为每个选项返回一个概率。

import sys
from huggingface_hub import snapshot_download

path = snapshot_download("FINAL-Bench/Darwin-27B-ZTC")
sys.path.insert(0, path)
from autojev.model import DecisionModel

model = DecisionModel(checkpoint=path)
row = {
    "state": {"ticket": "Customer was charged twice for the same order."},
    "question": {
        "type": "choice",
        "instructions": "What should support do?",
        "criteria": {"refund": "Refund the duplicate charge.", "escalate": "Send to billing.", "close": "No action."},
    },
}
probabilities = model.predict([row])[0]  # one probability per option, in criteria order

工具 | 作用
noul | 是或否的问题类型
choice | 从 N 个标签里选一个的问题类型
score | 按有序评分标准打分的问题类型
DecisionModel | 加载检查点文件夹
model.predict | 为每个选项返回一个概率
readout.safetensors | 决策读出头
decision_config.json | 保存选项代码、校准温度和来源信息

示例：描述一张客户被重复扣费的工单，问客服应该怎么做，并列出退款、升级和关闭三个选项，各配一句简短描述。你会得到三个概率，它们在各选项间加起来，不生成任何句子。

新手与专家：大多数语言模型写文字。这个模型只给你递过去的选项打分，所以答案是一组数字，显示每个选项有多大可能。第一个小尝试是模型卡的工单例子，然后改改选项，看数字怎么变。

对专家来说，骨干模型是以决策引擎方式全量训练的 Darwin-27B-RSI。每个选项在提示词里有一个短代码。一个小的读出头根据模型最后的隐藏状态给选项打分，再用在数据上拟合的温度校准 softmax，把分数变成概率。训练数据来自公开基准，只用它们的训练和开发部分，从不用测试部分。取舍是选项集合固定、需要大 GPU，换来的是校准过的概率，而且不生成词元。

描述状态和问题
用短代码列出选项
运行一次前向计算
读出头为每个选项打分
Softmax 给出概率

注意事项：模型卡报告了它在 Typed Decisions 测试划分上的结果，共 400 个案例、2,000 个决策，总体准确率为 0.743。

Title: 按问题类型的准确率
是或否 (noul): 0.845
选择: 0.732
评分标准: 0.675
总体: 0.743

• Zero-shot: 模型从没见过基准的训练划分、它的工作流或它的问题模式。
• Run noise: 测试集跑两次，准确率分别是 0.741 和 0.743，模型卡把这归因于批处理。
• Errors: 全部 2,000 个决策都有回答，没有错误。
• Shipped code: 仓库包含 MIT 许可的决策模型 autojev 代码。
• License: apache-2.0。
• Cost to run: 未提及，没有 API 密钥、账号或付费服务，不过它需要大 GPU。
• Data it reaches: 你给它的状态和问题，以及从 Hugging Face 下载的文件。
• Not for: 自由文本生成，因为它不生成词元。

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：transformers
• 参数量：25.6B
• Weights: about 51.2 GB in BF16; about 12.8 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：326
• 点赞：40
• 许可证：apache-2.0
• 语言：en
• Fine-tunes: 1
• 标签：transformers, safetensors, qwen3_5_text, feature-extraction, darwin, zero-token-classifier, decision-engine, typed-decisions, system-one, calibration, probabilistic-classification, text-classification

链接

• 模型：https://huggingface.co/FINAL-Bench/Darwin-27B-ZTC
• 文件：https://huggingface.co/FINAL-Bench/Darwin-27B-ZTC/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download FINAL-Bench/Darwin-27B-ZTC

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。