近日，上海人工智能实验室（上海 AI 实验室）推出决策模型书生・明决（Decision），性能超越 Jev 及同类开源模型，包含 0.8B、2B、4B 三档参数版本。

智能体在动态环境执行任务时，决策的速度与精度，直接决定交互的质量与任务落地的效果。书生・明决将原生视觉感知与指令遵循融为一体 —— 在 "看见" 画面的同时做出精准决断。实测显示：

单卡 4090 环境中决策速度达 30 次 / 秒：书生・明决 0.8B 和 2B 模型延迟约 33 毫秒，4B 模型单次端到端时延为 44.16 毫秒，比 Jev 快 2 倍以上。

7 项测评登顶 SOTA：在 JevBench 等 7 项基准评测中，书生・明决 4B 模型平均得分达到 90.02，居参评模型榜首。

此外，结合置信度分流机制，书生・明决还可将不确定的问题交由大模型处理，探索兼顾响应速度与决策准确性的协作模式。

2024 年，上海人工智能实验室主任、首席科学家周伯文提出：真正的通用人工智能（AGI）需要构建一种能够动态融合 "系统 1"（直觉式快思考）与 "系统 2"（逻辑式慢思考）的智能架构 —— https://mp.weixin.qq.com/s?__biz=MzkzNzIyNDg4MQ==&mid=2247563665&idx=1&sn=2f5df76297205b7065dfd93461165511&scene=21#wechat_redirect 。书生・明决作为系统 1 的代表成果，与承担系统 2 的大模型将形成有机快慢协同。

书生・明决即将接入 https://mp.weixin.qq.com/s?__biz=MzkzNzIyNDg4MQ==&mid=2247565917&idx=1&sn=225e9cac0015d92aa17d65856d50909d&scene=21#wechat_redirect ，为科学智能场景下的实验交互与自动化科研闭环注入新动能。

GitHub 链接：https://github.com/InternLM/Intern-Decision
Hugging Face 链接：https://huggingface.co/collections/internlm/intern-decision
构建多模态决策能力，实现复杂场景即时决策
结构化决策将模型的判断转化为程序可直接使用的选项。Jev 等模型虽已探索这一方向，但游戏和多模态决策等交互场景还要求模型读懂图像、识别界面变化。书生・明决在此基础上，把视觉信息融入决策环节，实现决策选择和画面感知相结合。团队通过游戏、图形界面等操作演示，验证了书生・明决的多模态决策能力。
在真实游戏场景里，书生・明决能直接读取游戏画面，自主选择下一步动作。测试用到的游戏画面类型丰富，包括二维网格地图、横版闯关场景，以及第一人称三维场景，需要模型完成路线选择、识别危险物品、判断空间方位等任务。团队观察到，在部分场景下，AI 角色撞到墙壁后，会主动转动视角，寻找新目标。
书生・明决读取游戏画面并选择动作
在图案验证码演示中，书生・明决可以独立完成读懂指令、识别图案目标、输出点击动作整套操作。全换成自主完成，无需人工介入修正，直观展现了它结合视觉识别、自主选择操作的交互能力。
书生・明决根据视觉指令完成鼠标交互

兼顾决策速度与效果，综合表现超 Jev
团队围绕 JevBench 的 Easy、Original、Hard 三个子集，以及 Typed Decision、ToolACE、AG News 和 WildJailBreak 共七项任务开展对比评测。书生・明决 4B 模型的平均得分为 90.02，较 Jev 的 88.74 高出 1.28 分，在本次参评模型中居首位。
其中，4B 模型在 Typed Decision 和 ToolACE 上的得分分别为 80.55 和 96.45，高于 Jev 的 73.35 和 91.29；在 JevBench-Hard 上取得 73.87，与 JevK5 并列最高。各模型在单项任务上各有优劣，4B 模型在本次评测中展现出更均衡、领先的综合性能。
七项任务平均得分及概率质量指标
在 RTX 4090 上的推理速度测试中，书生・明决 0.8B 和 2B 模型的平均端到端时延分别为 33.98 毫秒和 33.28 毫秒，对应每秒约 30 次决策；4B 模型的平均时延为 44.16 毫秒，P95 时延为 44.60 毫秒。相比之下，Jev 平均时延为 109.70 毫秒。更低的时延意味着更快的响应速度，为智能体不间断环境感知、动作选择与任务执行提供保障。
RTX 4090 测试环境下的端到端推理时延
探索快慢思考协同机制，求取决策效率与质量最优解
在真实交互场景中，任务难度参差不齐。智能体除输出决策结果外，还需给出判断依据：选择的可信程度如何，以及哪些问题值得进一步核验。为此，科研团队对书生・明决进行温度校准，提升模型置信度与客观现实的一致性。
在 JevBench-Hard 的可靠性分析中，校准前模型在高置信度区域存在偏差，部分接近 0.9 或 1.0 的置信度并未对应同等水平的准确率。校准后，这一偏差有所减小，为后续根据置信度进行任务分流提供了依据。对比 Jev 的置信度表现，书生・明决的校准效果更优。
JevBench-Hard 上的可靠性曲线 对角线表示置信度与准确率一致
团队还构建了选项概率分布评测集，覆盖直接随机性、混合分布、条件概率、观测偏差、概率谜题和序列过程六类场景，并为每道题提供精确的参考分布。测试显示，经过校准优化后，书生・明决的概率预测误差明显下降，关键指标均优于 Jev。以经典 "三门问题" 举例：按照理论，最开始选中的门中奖概率约 33%，剩下那扇没打开的门中奖概率约 67%。校准之后，书生・明决给出的判断概率为 42% 和 58%，对比 Jev 给出的 18% 和 82%，书生・明决的结果更贴近真实理论值。
模型输出的置信度，恰好可以作为分工依据，实现不同模型之间的任务调度。轻量小模型快速处理大量常规判断；当模型判断结果存疑时，再将任务移交大模型进行深度推理分析。
团队基于 JevBench-Hard 的 111 道题，验证了这一协作机制。书生・明决 4B 模型独立作答，答对 82 题（准确率 73.87%），耗时 4.90 秒。Atria-Dawn-Preview 独立作答，能答对 99 道（准确率 89.19%），但耗时增加至 300.03 秒。
书生・明决按照置信度判断，挑出 42 道拿不准的题目交给 Atria-Dawn-Preview 来处理。这种大小模型搭配的组合方案一共答对 97 道（准确率 87.39%），整套任务耗时约 140.16 秒，比全程用大模型少答对 2 道题，但花费的时间减少约 53.3%。
这一结果证明了在响应速度与准确率之间进行按需分配的可能：对时延敏感的环节可优先使用小模型，需要进一步提高准确率时，则依据置信度引入大模型。具体分流策略可随任务需求调整。
不同决策方案的准确率与总耗时对比
除了将小模型低置信度问题抛给大模型之外，书生・明决也可以作为大模型的执行部件完成复杂任务。在浏览器操作中，大模型负责理解整体目标、拆解阶段任务并整合跨页面信息；书生・明决负责高频局部决策，根据当前页面从点击、滚动、返回和结束等候选动作中作出选择。每次操作后，系统重新读取页面状态，继续下一轮判断，最终通过大小模型的协作交互完成复杂指令。
书生・明决在 Hugging Face 中查找书生・星河模型并核对架构与推理配置
书生・明决在多场景下展现出图像感知、自主决策的智能交互特性，大小模型按需分流的调度机制，为平衡性能与效率提供可行路径。相关探索能够支撑科学智能领域的实验交互与仿真迭代，为构建自动化科研闭环积累实践参考。接下来，团队将继续围绕通专融合路线，进一步打通通用感知能力与领域科学任务，推动智能体在复杂科研场景下落地应用。

(来源：上海人工智能实验室）