开源决策模型 Vega：冻结 Qwen3.5-0.8B + 57 MB 物理引擎，“滚小球”给出带校准概率的类型化答案

核心背景与行业痛点

本周“决策模型”成了新赛道：OpenAI Decisions API 公测、微软 Decision-1、TypeSafe AI 的 Jev 拿到大额融资。但托管 API 意味着数据出域、按次计费和网络延迟。开发者 Nandakishor M 在三周前开源 Laya 之后，10 月 10 日再开源 Vega，目标是在本地硬件上跑出可直接被代码消费的“类型化决策”。

架构亮点与底层机制

边界非常硬：冻结的 Qwen3.5-0.8B 只读不训，并用 SHA-256 锁定权重；只读第 13 和 19 层，之后的层和 LM head 都不运行，所以整个路径不会生成任何 token。观察、问题和候选答案写进同一段提示，一次前向后对不同片段做平均池化，得到 5 个向量。57 MB 的引擎把每个答案建成一个势能山谷，用问题向量放置并推动小球，在 64 维空间里带摩擦滚动 12 步，最后停在哪个谷就是答案。输出包括校准概率、保形答案集和弃答标记。详见作者博客。

权威 Benchmark 与实测跑分对比

以下均为作者自测口径：800 封钓鱼邮件准确率 75.4、识别 252/400，同题 Jev 1.13.0 为 61.9、99/400；ag-news 0.955 对 0.806；中位延迟 267 ms（T4）对 591 ms。作者也写明 Jev 在重排、多步推理等多数其他任务上领先，MMMU-Pro 上 Vega 只有 0.240。

开发者实战落地与开箱指南

pip install vegaml 后用 vegaml.load() 加载 0.8B，用 decide() 一次读取同时回答多个 choice、score 或 boolean 问题。有 6 条以上标注时可以用 mode="ttt" 做测试时训练。仓库附带 Kaggle 双 T4 微调笔记本。适合邮件分流、提示注入检测、工单路由这类数据不能出本机的场景。可以先在 HF Space 在线试用。