Jeva：面向决策任务的系统一模型架构发布
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 Jeva，一种面向决策任务的架构，作者为 Qi Li 与 Xinchao Wang。论文认为现有从序列化文本预测答案的做法未尊重决策问题的结构，并提出四项要求：能区分答案缺失与候选间不确定、候选顺序变化不影响决策、候选集扩大无需重定义输出空间、请求无关计算可跨请求复用。Jeva 用共享编码器分别表示请求与每个选项，决策栈仅针对请求状态做细化，配合对称聚合与共享打分，并用独立的覆盖估计区分答案缺失与候选竞争，统一 Choice、Noul、Score 三类输出。评测中该架构在类型化决策上表现较强，缺失检测接近完美，在测试的排列下未出现决策翻转，可扩展到数千候选，并通过跨请求复用降低延迟且不改变决策。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载论文提出的问题
论文认为，当前系统一模型虽然能直接、低延迟地做决策，但用序列化文本预测答案的方式本身并不尊重决策问题的结构。作者列出四项被现有设计忽视的结构要求：模型要能区分「答案不存在」与「候选之间存在不确定性」；候选顺序被打乱不应改变决策结果；候选集合变大时不需要重新定义输出空间；对反复出现的候选所做的、与具体请求无关的计算应当可以跨请求复用。这四点构成了论文的出发点，也是其后续架构设计的对照标准。
Jeva 的架构做法
Jeva 被描述为一种决策原生架构，同时应对上述要求。它使用一个共享编码器，分别独立地表示请求和每一个选项；一个紧凑的决策栈只针对请求状态做细化，与不可变的选项记忆交互。对称聚合产生对排列等变的概率，共享打分机制可以容纳规模可变的候选集合。此外，一个独立的覆盖估计用来区分答案缺失与候选之间的竞争，从而支持显式的空结果。请求无关的选项表示与层投影使这些表示能在新组装的集合中被复用。这些机制把 Choice、Noul 和 Score 三类输出统一起来。
评测结果与规模
论文报告，在多项评测中 Jeva 兼具较强的类型化决策表现与接近完美的缺失检测，并且在所有测试过的排列下都没有出现决策翻转。该架构可以扩展到数千个候选，同时通过跨请求复用在显著降低延迟的情况下不改变决策结果。论文未在摘要中给出具体的基准名称、对比模型或数值指标，因此这些结论的适用范围与量化幅度需查阅原文才能确认。
为什么值得看
决策类任务的结构性缺陷被正面处理，null 检测与排列不变性有明确评测结果，值得关注其设计思路。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。