批量候选路径
Choice 支持 2–255 个动态候选；Score 支持 2–10 个有序等级；Boolean 返回命题为真的概率。
TypeDecide 首页
模型介绍 · 研究模型
NanoJev 模型介绍
NanoJev 是基于 Qwen3-0.6B 的实验性并行决策模型，可批量评分 Choice、Score 和二元问题。本页梳理其专项检查点、CUDA/BF16 服务方式和适用研究场景，并明确许可证缺失、样本规模有限及结果不可跨领域外推的风险。
返回模型目录
仅研究小模型CUDA许可待核验
NanoJev 是什么？
NanoJev 是基于 Qwen3-0.6B 的并行决策模型。它把多个 State、多个问题和动态候选路径组成批次，在一次骨干网络前向计算中返回完整概率分布。
项目同时发布基础检查点、训练初始化检查点和面向迷宫、贪吃蛇、事件校准实验的专项变体。公开展示说明了这种架构适合动作选择研究，但不等于已经具备通用生产能力。
0.6B 体量让它适合研究吞吐、批量布局和专项微调成本，但“小”不等于可直接在任意设备运行。当前说明以 CUDA/BF16 服务为主，且不同任务依赖不同权重；评估时必须先确认具体检查点、训练范围和授权状态。
- 开发者
- C-Tianyu / TianyuCodings
- 技术路线
- Qwen3-0.6B + Decision Head
- 模型规模
- 0.6B
- 许可证
- 待核验
- 语言范围
- 模型卡标注英语与中文，公开案例以专项任务为主
- 输入长度
- 模型卡未给出统一上下文上限
- 运行环境
- Python · CUDA · BF16 服务
- 资料核验
- 2026-09-19
推理路径
一次结构化决策如何形成
专项检查点
迷宫、贪吃蛇和校准实验分别使用不同变体，权重、配置和训练摘要随变体目录发布。
持久化服务
项目提供 CUDA/BF16 推理脚本和 HTTP 服务，检查点加载后可跨请求复用。
采用判断
适合做什么，以及先检查什么
适合评估
- 研究小模型如何完成动态动作选择、导航和游戏控制
- 需要一次批量评估多个 State 与问题的实验性高吞吐任务
- 能够控制 CUDA 环境并愿意核对具体检查点训练范围的团队
已知限制
- Hugging Face 模型卡未标注许可证，商业使用、再分发和托管前必须向项目方核实授权。
- 公开导航评测只有 20 张测试地图和 20 张分布外地图，样本量不足以支持通用能力结论。
- 不同展示依赖不同专项检查点，不能把迷宫或贪吃蛇结果直接外推到客服、审核等业务任务。
- 当前运行说明面向兼容 CUDA 的环境，CPU、浏览器和低显存设备的实际表现未在模型卡中统一说明。
来源与边界
公开资料，不是 TypeDecide 统一实测
本页根据项目模型卡、仓库说明和其中公开的训练或评测设置整理。不同项目的硬件、数据集、版本、温度与样本量不同，公开数字不能直接组成排行榜；生产采用前仍需复核许可证并在目标数据上重测。
继续了解