一天、一個 LoRA、90.1%：Bespoke Labs 開源了完整的 Jev 配方

當 TypeSafe AI 在 2026 年 9 月 15 日發布 Jev 時，它提出了一個新類別：「System One 模型」——不產生任何文字，只輸出帶型別的決策（選擇、布林值、評分量表），在單次前向傳播中直接對允許的答案 token 計分，快且便宜到可以塞進 agent 迴圈裡。但它沒有公開的是配方：沒有權重、沒有資料、沒有訓練程式碼。

五天後，開源社群替它補上了。Bespoke Labs 以 Apache 2.0 授權發布了 Bespoke-Nimble-9B——而且與多數開源複製品不同，這次發布的不只是一個 checkpoint，而是完整三件套：篩選過的訓練資料、LoRA adapter，以及產出它們的精確配方。README 對工程現實毫不掩飾：「我們一天就做出了 Nimble，請預期一些粗糙之處。」在專案自己的 324 題保留評測集上，這個模型與參考標籤的一致率為 90.12%，而透過 API 呼叫的 Jev 1.13.0 是 93.21%——差距 3.09 個百分點，用一個約 165 MiB 的 adapter 疊在 90 億參數的基底模型上完成。

Nimble 到底是什麼

Nimble 是 Qwen3.5-9B 的 LoRA（低秩適配）微調，不是從零訓練的模型。adapter 很小——約 165 MiB——基底 checkpoint 另外從 Hugging Face 下載。真正有趣的是推理機制：沿用研究員 Niels Rogge 在那篇爆紅文章中拆解 Jev 解碼方式的做法，Nimble 先把 context 與 schema 一次性寫入 KV-cache，然後直接讀取允許答案 token 的 logits。沒有解碼迴圈、沒有需要解析的生成 JSON、沒有思考鏈。候選 token 上的 softmax 就是輸出，還附帶每個答案的機率。

它的使用契約刻意收窄。schema 必須是平的——不能有巢狀欄位——每個欄位只能是列舉（1 到 26 個字串選項）或布林值。超過 2,048 token 的提示會被直接拒絕而不是截斷。它只接受文字輸入（即使基底模型有視覺能力），也不能寫解釋或從 context 擷取文字片段。換來的是到處都能跑：有 PyTorch 的 NVIDIA GPU，或透過 MLX 在 Apple Silicon 的 MacBook 上——ParallelScorer 會把共用 context 處理一次，然後並行評分所有欄位。另有部署在 Modal 上的託管版本與公開 API，想先試再下載的人都有路徑。

延遲方面，專案自己的數據是：H100 上每題中位數 106 毫秒；64 GB 記憶體的 M5 Pro MacBook 上中位數 444 毫秒——完全不需要伺服器。作為對照，同一張表列出 Jev API 的中位數為 246.7 毫秒，而透過 OpenRouter 以傳統方式生成文字的通用前沿模型，每題約 2.8 到 15 秒。

誠實框定的數字

在 324 題保留集——162 對對比樣本、來自六個來源家族——上的比較如下：

模型	一致率
Gemma 3 270M IT	28.70%
Qwen3.5-0.8B	45.37%
Qwen3.5-4B	61.42%
Qwen3.5-9B（基底）	66.36%
Qwen3.8-27B（未微調）	84.88%
Bespoke-Nimble-9B	90.12%
Jev 1.13.0（API）	93.21%

這張表格有兩種解讀，都比頭條數字重要。第一，微調後的 9B 模型贏過未微調的 Qwen3.8-27B 達 5.25 個百分點——那是它三倍大的模型。針對性訓練戰勝了參數量三倍化。第二，Jev 剩下的領先只有 3.09 分，而 Jev 是一套從零打造、訓練管線未公開的系統。這個差距在評測分佈之外是否還站得住，正是 repo 本身無法回答的問題——保留集很窄，只來自六個來源家族，而且所有參考標籤都是合成的。作者對此罕見地坦白：「所有標籤都是合成的：由模型檢查，沒有人工審閱。」他們也另外提供了一份指南，把 Nimble 與 Jev 放在十三個公開、人工標註的基準子集上並行測試，從 VitaminC 開始。

對比式資料篩選：真正值得偷學的部分

這份配方的核心是一套 Bespoke 稱為對比式資料篩選（contrastive data curation）的技術，而它正是基底模型從 66% 跳到 90% 背後的機制。概念是：把訓練樣本做成只差在一個關鍵事實的最小配對——這個改動會翻轉正確答案，而其他一切（包括問題與政策）保持不變。在 repo 的標準範例中，退款只有在唯一授權簽名者具有核准權限時才成立。一個例子裡簽名者是 Mira（有權限）：答案為 true。把名字換成 Noah：答案變 false。模型於是精確學到哪些證據應該改變決策，而且因為負樣本是刻意構造而非順手收集的，它被推向校準，而不只是準確。

管線有四個步驟，每一步都有實際約束。先根據 schema 檢查決策規則。再建構配對，最多改動八個字。然後用獨立的模型呼叫驗證兩個例子——關鍵是逐一刪除證據句，確認刪掉後關鍵事實就變得無從判斷，確保沒有其他文字洩漏答案。最後用程式把檢查過的規則套用到檢查過的事實上產生標籤，只有所有檢查通過且兩個標籤不同時才保留該配對。所有模型請求與回應都被保存，整個過程可以離線重播。

以前沿標準來看，這整套努力小到近乎可笑：2,676 個訓練樣本、涵蓋十個主題類別、一個 epoch 的 LoRA（rank 16、學習率 5e-5、有效批次大小 8）——在 L40S 上調參，最終訓練與評測在 H100 上完成。作者特別聲明他們沒有從 Jev 蒸餾；硬標籤由自家管線產生，保存的 Jev 機率僅作為未來軟目標蒸餾的可選實驗材料。

48 小時複製潮的脈絡

Nimble 是 Jev 發布後約 48 小時內出現的至少六個獨立開源實作之一——Latent.Space 的整理還包括 Laya（421M 參數、PPO 訓練，作者早在 2025 年 3 月就把同一核心概念發上了 arXiv）、Jevlike（約 40 KB 的純嵌入實作）、Kev-0.5B（為 MacBook 離線運行而建）、OpenJev 與 DiffusionGemmaJev。資源規模跨越四個數量級，但其中好幾個都宣稱在閉源原版自己的賽場上逼近或追平它。

值得追蹤的訊號不是任何單一分數——上文所有數字都是自行回報——而是複製速度。一家前沿實驗室聽起來很新穎的能力，在兩天內被拆解、重實作、並帶著完整來源公開，至少在 Jev 針對的窄輸出形態上是如此。瓶頸從來不是架構，而是知道這個技巧可行——一旦知道，一支有現成基底模型與資料篩選紀律的團隊，就能補上大部分差距。對開發者來說，實際結論很直接：在為閉源決策模型支付 API 溢價之前，先算算用開源基底加上針對你自己任務分佈的對比配對做一次 LoRA 的成本。經濟學可能讓你吃驚——就算補不上差距，閉源模型也還在原地，而且現在多了一個真正值得超越的基準線。

模型規格、分數與時程反映 2026 年 9 月 20 日為止的 repo 與報導內容；所有評測數字皆為專案自行回報，未經獨立驗證。