9月28日上海人工智能实验室宣布开源旗下决策模型“书生·明决Intern-Decision”。与新晋爆火的Jev决策模型相比该模型包含0.8B、2B、4B三档参数版本性能超越前者及同类开源模型。凭借自研高性能通用 GPU 与 MXMACA 软件栈一体化协同的产品优势沐曦股份率先完成对“书生·明决”模型的 Day 0 适配实现上线即适配。自2025年12月以来沐曦股份已完成40个主流旗舰模型的Day 0适配。范围涵盖智谱、阿里千问、MiniMax、DeepSeek、阶跃星辰、腾讯混元等头部模型厂商适配速度、数量、生态广度均位居行业前列。看见即行动模型性能超Jev与传统的大语言模型相比决策模型放弃了文本生成能力专注于快速输出结构化的判断结果。Jev 的口号是 “Decisions, not strings”要决策不要文本模型通过三项核心能力即Choice从预设的选项里挑出最合适的一项并给出每个选项的概率、Score在自定义尺度上打分、Noul回答是/否并给出概率直接输出一个选择、一个评分或一个概率值作为“判断”。“书生·明决”模型在此基础上进一步构建多模态决策能力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“在“看见”画面的同时做出精准决断。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。在图案验证码演示中“书生·明决”模型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。模型性能基准测试结果显示围绕JevBench的Easy简单、Original标准、Hard困难三个测试子集以及Typed Decision类型化决策、ToolACE工具调用、AG News新闻主题分类和WildJailBreak网络对抗安全判定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。JevBench七项任务基准测试结果在验证模型稳定性的可靠性测试中研究团队发现在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”模型的校准效果更优。JevBench-Hard上的可靠性曲线 对角线表示置信度与准确率一致模型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。软硬件协同国产算力底座赋能AI创新此次成功完成模型的Day 0适配也充分验证了沐曦股份软硬件一体化协同的优势。作为 “自主 GPGPU 硬件 全栈软件体系” 的核心枢纽沐曦自研 MXMACA 软件栈承担着连接底层算力硬件与上层 AI 应用生态的关键纽带作用。它不仅全链路覆盖底层驱动、用户态接口、MXCC 编译器、算子深度适配、主流训练/推理框架对接及行业场景专项优化。目前MXMACA 软件栈已实现对主流 AI 生态的广泛覆盖兼容支持40余种 AI 框架、1000 多款模型适配超 6000 个开源项目测试全量支持 PyTorch 2.8的 2410 个GPU算子。未来沐曦股份将长期致力推动国产算力从“可用”走向“好用”“易用”持续深化与国内顶尖AI团队的技术协同构建自主可控、创新繁荣的国产 AI 生态。“书生·明决”模型开源链接GitHubhttps://github.com/InternLM/Intern-DecisionHugging Facehttps://huggingface.co/collections/internlm/intern-decision