OpenJev-Qwen3.5-0.8b

基于 Qwen3.5-0.8B 文本模型全量微调的中文决策模型。本仓库发布第 1800 步（第 3 轮结束） 的完整推理权重。

给模型一段内容和判断规则，即可完成分类、评分或是非判断，适用于情感分析、意图识别和客服分流等任务。

判断方式	返回内容
Choice	最匹配的选项与各选项概率
Score	按给定等级计算的分数与各等级概率
Noul	某个判断成立的概率

接口参考 Jev，由 OpenJev 独立实现，输出不包含 confidence 字段。最长完整输入为 8192 token。

如何使用

配套代码：OpenJev-Kit。

Windows 用户下载或克隆项目后，双击 启动决策模型.cmd。启动器会准备 Python 和依赖；本地没有完整模型时，自动从本仓库下载并显示进度，然后打开网页。

git clone https://github.com/meijustory123/OpenJev-Kit.git
cd OpenJev-Kit
.\启动决策模型.cmd

支持 CPU 和兼容的 NVIDIA 显卡。公开下载无需 Hugging Face 账号或 API 密钥。

这是“文本骨干 + 共享决策头”的模型，按候选计算匹配得分，由程序组装 JSON。请使用 OpenJev 的推理代码；它不是直接生成聊天回复或 JSON 文本的普通聊天模型。

训练与评测

• 训练方式：全量微调，3 轮，共 1800 步，不使用 LoRA。
• 数据：50 个领域、500 个中文命题、5000 条合成请求；其中 4000 条训练、500 条验证、500 条测试。
• 同一测试集共 500 条请求、600 个判断项。下表为第 1800 步 GPU 结果与合成测试标注的一致率。

指标	OpenJev 第 1800 步	官方 Jev 1.13.0
综合判断一致率	72.52%	94.33%
分类一致率	73.90%	95.98%
评分等级一致率	69.00%	89.50%
明确是非判断一致率	75.65%	99.13%

结果以合成标注为参照，实际业务效果请使用自己的数据验证。详细评测与代码见配套项目。

文件说明

• model.safetensors、config.json：微调后的文本骨干。
• decision_head.safetensors、decision_config.json：决策头和训练配置。
• tokenizer.json、tokenizer_config.json、chat_template.jinja：分词器文件。
• model-manifest.json：文件大小、SHA-256 与本地安装路径。
• COMPLETE：完整检查点标记。

启动器会把骨干和分词器整理到本地 outputs/decision-full/checkpoint-001800/ 下。不需要另外下载原始 Qwen 权重。本仓库不包含训练数据或优化器状态。

模型基于 Apache-2.0 授权的 Qwen3.5-0.8B，已进行全量微调修改，许可证见 LICENSE。