OpenJev

OpenJev

针对文本、网页和截图回答带类型的决策，一次前向计算，根据你自己的标签给出选项、是非概率或分数。适合构建分流、审核和浏览器智能体的团队。

由 openjev 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：OpenJev 是一个开放权重的决策模型，有 27.4B 参数。你在发送请求时用平实的话和你自己的标签描述一个决策，它会回复一个选项、一个是或否的概率，或者一个分数。每个问题只需一次前向计算，最多可给 52 个选项，所以没有自由文本需要解析。

适合谁：它适合需要在产品里做快速、结构化判断的开发者，比如给工单分类、检查内容或指引浏览器智能体。

行业 | 谁在用 | 怎么用 | 例子
客户支持 | 支持工程师 | 按主题、团队和优先级给工单分流 | 在账单、物流和技术之间选择
信任与安全 | 审核团队 | 标出垃圾信息、仇恨内容或违反政策的内容 | 给一条消息的毒性打分
AI 评估 | 评估工程师 | 判断另一个模型的回答有没有依据 | 把一个回答标为有依据或编造
浏览器智能体 | 智能体开发者 | 根据页面选择下一个元素或操作 | 决定接下来按哪个按钮

如果你想要书面回答，可以跳过它，因为它返回的是分数，不是自由文本。

用在哪里：

• 你自己运行的、提供 systemone 请求路径的服务器
• 给文本、页面或截图分类的流程
• 读取页面结构和截图的浏览器和桌面智能体
• 装有 Python 的 Windows、macOS 或 Linux，用来下载权重

用例 | 谁用 | 得到什么
路由和分诊 | 支持团队 | 带概率的团队或优先级选择
内容审核 | 安全团队 | 违规标签的概率
智能体步骤 | 智能体开发者 | 该操作哪个元素，以及任务是否完成
打分 | 分析师 | 带置信度的有序等级

如何设置：你需要 Python 来使用下载工具，还需要一台 GPU 服务器来放 54.7 GB 的 BF16 权重。

• Windows、macOS 或 Linux 上的 Python
• huggingface_hub 包
• 有空间放权重的 GPU 机器，因为模型卡给出的速度是在 H100 上测的
• 能提供模型卡所用请求路径的服务设置

1. 安装 huggingface_hub。
2. 下载模型文件。
3. 把模型作为服务运行，让你的客户端可以向它发送带类型的请求。

pip install -U huggingface_hub
hf download openjev/openjev

如何使用：你发送一个请求，里面包含情境和几个带类型的问题。模型卡的示例针对一条客户消息问了三个问题。每个答案都会带着每个选项的概率返回。

{
  "model": "openjev",
  "state": "Customer message: I was charged twice for my order last week and nobody has replied.",
  "questions": {
    "route":   {"type": "choice", "instructions": "Which team should handle this?",
                "criteria": {"billing": null, "shipping": null, "technical": null}},
    "angry":   {"type": "noul",   "instructions": "Is the customer angry?"},
    "urgency": {"type": "score",  "instructions": "How urgent is this?",
                "criteria": ["can wait", "this week", "today", "right now"]}
  }
}

工具 | 作用
choice | 在你标注的选项中选一个，并给出每个选项的概率
noul | 回答是非问题，给出答案为是的概率
score | 在你从低到高列出的有序等级上评分

示例：你发送重复扣款的消息，并附上路由、生气和紧急程度三个问题。回复里有每个团队的概率、客户是否生气的概率，以及每个紧急程度等级的概率。

新手与专家：如果你刚接触这类模型，可以把它想成一份你随手编写的选择题表单。第一次可以试上面的三问请求，再读它返回的概率。

对熟悉这个领域的人来说，模型从不把答案写出来。它在第一个输出步骤里为每个选项取一个分数，再用预设的校准值把分数转成概率。模型卡报告，重新排列选项会让 2.3% 的答案翻转，未调优的基础模型则是 18.5%。

Title: 10,000 个文本决策问题上的准确率
Jev hosted API: 85.4%
OpenJev: 84.0%
Base model before tuning: 80.4%
Nimble 9B: 75.7%

你发送情境和带类型的问题
每个问题各跑一次前向计算
读取第一个输出位置的分数
你得到每个选项的概率

注意事项：在一张 H100 上，简短文本问题约 80 ms，含 23 个候选元素的网页约 210 ms。测试由作者自己运行，而且部分题目在开发期间用过。

• License: CC BY-NC 4.0，仅限非商业用途
• Cost to run: 未提及，不过你需要 GPU 来放权重
• Data it reaches: 你在请求里发送的文字、页面结构和截图
• Not for: 在此许可下的商业用途，或需要书面回答的任务

Hugging Face 上的数据（2026年11月13日）

• 任务：zero shot classification
• 参数量：27.4B
• Weights: about 54.7 GB in BF16; about 13.7 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：9,293
• 点赞：199
• 许可证：cc-by-nc-4.0
• 语言：en, de, fr, hi, zh, ja
• Quantized versions: 8
• 标签：safetensors, qwen3_5, decision-model, zero-shot-classification, classification, agents, browser-agent, computer-use, calibrated-probabilities, vllm

链接

• 模型：https://huggingface.co/openjev/openjev
• 文件：https://huggingface.co/openjev/openjev/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 openjev/openjev

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。