0.6B起！Jev对手模型来了，开源多模态，登上全球测评榜一

其中，旗舰模型d3基于Qwen3.8-27B打造，是一款27B的多模态模型，支持输入多张图片和视频。其余5款模型则基于不同参数规模的Qwen3.5打造。

与Jev不同的是，Jev主要通过云端API提供文本决策服务， 3.0则开放权重，支持本地部署，可以直接处理图片和视频。

目前，在决策能力榜单Jev Index 0.3.1榜单中，d3文本决策指数为64.7分，公开集得分为65.5分，位列文本榜第一，超过Jev的60.1分。d3（27B）、d3-flash（9B）及d3-mini（4B）的成绩均领先于微软-1（9B）的53.2分。

在视觉榜中，d3得分为71.6分，同样排名第一。此外，9B参数的d3-flash在文本榜中获得59.8分，在视觉榜中获得66.9分，位列对应规模模型前列。

第三方评测方面，一位开发者在自己的网站上设置了75道工具选择题，让模型判断应调用哪个工具。其本地Mac测试中，--1答对71题，位列第一；d3-flash和d3-mini答对70题，并列第二；Jev答对69题；d3-nano则答对68题。

3.0可以用于客服分流、内容审核、风险识别和模型路由等场景。

例如，客户称其收到的搅拌机破损，希望换货，并附上收据图片和配送视频。模型可以在一次请求中回答三个问题：该由哪个团队处理、收据是否包含这台搅拌机，以及包裹如何送达，分别给出“退换货团队”、“是”、“当面送达”三个回答。

团队公布的数据显示，在单张AMD GPU上运行时，d3处理文本请求的延迟中位数为55毫秒，处理包含图片的请求为273毫秒，处理10秒视频的请求为553毫秒。

还有一位开发者将d3-lite通过Core ML部署在搭载M5 Pro的Mac上，对1000个Pull （代码合并请求，PR）进行工作组分类与路由，总耗时约2分钟。实测视频显示，单个PR平均处理耗时约0.12秒，吞吐量约为每秒8.3个PR，整个推理过程在本地完成，无需调用云端API。

结语：类Jev模型瞄准AI决策需求

随着AI应用对意图识别、任务分类和模型路由等能力的需求提升，类Jev决策模型有望承担更多轻量、结构化的判断任务。它们可以先识别用户意图、判断请求类型，再将任务交给更合适的生成模型处理。

对于多模型系统来说，这类模型能够减少通用大模型处理简单任务的负担，同时帮助系统控制推理成本、提升响应速度和路由准确性。