출처: https://x.com/NFT_Chen/status/2102300726500397275 (SuSu, 중국어), 인용한 원글 https://x.com/NFT_Chen/status/2102297992179200329. 모델: Hugging Face aimeigaoshou/agent-jev

개요

AgentJev-0.6B 는 Qwen3-0.6B를 바탕으로 한 오픈소스 System One 결정 모델이다. Boolean·Choice·Score 판단을 출력 토큰 없이 확률 분포로 돌려준다. 소개 글은 jev 계열 경쟁 모델인 Laya와 비교해 우위를 주장했다.

Laya 대비 주장

항목AgentJev-0.6BLaya
Typed Decisions 2,000문항 Top-179.25% (1,585/2,000)77.00%
컨텍스트2,0481,024
  • 넓은 후보군이 빠르다: 후보 64개를 한 번의 forward로 처리한다. 공유 프리픽스 KV 캐시로 백본 토큰이 33,547개에서 2,551개로 줄어(−92.4%) 약 2배 빨라졌다.
  • 68ms 반사 결정: 출력 토큰 0개, JSON 파싱 없음.
  • 게이트로 쓸 수 있는 출력: 선택지 순서에 영향받지 않고, 유형별로 보정된 전체 확률 분포를 내므로 라우팅·임계값·폴백에 바로 쓴다.
  • 가중치·학습·추론 코드가 모두 공개돼 재현과 추가 학습이 가능하다.

실행 순서 (원글 기준)

  1. 저장소를 clone하고 venv를 만든 뒤 requirements.txt를 설치한다.
  2. HF에서 model.safetensors와 temperatures.json을 받는다.
  3. safetensors를 agentjev_v1.pt로 감싼다(일반 CausalLM으로 로드 불가).
  4. python -m jev_service.server --checkpoint agentjev_v1.pt --model-path Qwen/Qwen3-0.6B --temperatures temperatures.json --port 8149로 서버를 띄운다.
  5. agentjev_client.py로 상태를 보내 decide_boolean·decide_choice·Score를 호출하고 분포로 게이트를 건다.

읽는 법

작성자도 결정 벤치마크에서만 이겼고 실제 에이전트 궤적에서는 아직 맞붙지 않았다고 밝혔다(confidence: low). 다른 로컬 결정 모델은 2026-09-27-laya-mlx, 2026-09-27-interfaze-ai-lev, 전체 지도는 moc-jev.