“决策模型有望成为现有安全检测系统与自动化响应流程之间的智能决策层,推动安全运营从传统的规则匹配和告警检测,逐步向智能化、精细化的研判与响应发展。”
—— 奇安信人工智能研究院
01
BACKGROUND
为什么需要决策模型?——LLM 在安全领域的新探索
决策模型是什么?它与传统 LLM 有何不同?
决策模型(Decision Model),也称 System 1 Model,是一种面向结构化决策任务设计的模型。与传统 LLM 以自然语言生成为主要目标不同,决策模型的核心任务是在给定输入状态(State)、问题(Question)和候选选项(Options)的情况下,直接对预定义的决策空间进行判断,并输出结构化的决策结果及其对应的概率分布。
传统 LLM 通常采用自回归生成方式,逐 Token 生成自然语言答案,应用程序需要进一步解析生成内容,才能获得实际决策结果。而决策模型将生成过程转化为直接的决策预测,不再需要生成完整的自然语言回答,从而使输出更加结构化,也更容易与软件系统集成。
以 Jev 为代表的决策模型,主要体现了以下几个特点:
结构化决策:在预定义的决策空间内完成选择,而不是生成开放式文本。概率化输出:为候选选项提供对应的预测概率,而不仅仅返回一个最终类别。类型安全:通过明确的输入和输出类型,使模型结果能够直接被程序消费。高效推理:针对有限决策空间进行预测,避免不必要的长文本生成。
— 图 1|决策模型与 LLM 的区别(来源:aishreganti.com 博客)
| 对比维度 | 传统 LLM | 决策模型 |
|---|---|---|
| 核心目标 | 自然语言生成 | 结构化决策 |
| 输出形式 | token 序列 | 类型化决策结果 |
| 决策空间 | 通常通过 prompt 描述 | 显式定义 |
| 概率信息 | token 概率 | 候选决策概率 |
| 输出解析 | 通常需要额外解析 | 可直接消费结构化信息 |
| 典型场景 | 对话、总结、推理、内容生成 | 分类、判断、评分、路由 |
— 表 1|决策模型与 LLM 的区别
需要指出的是,决策模型并不是要取代传统 LLM。二者面向的任务存在明显区别:开放式问答、复杂推理和内容生成仍然适合传统 LLM;而对于决策空间明确、输出形式固定、需要被业务程序直接调用的任务,决策模型提供了一种更直接的实现方式。
决策模型的核心优势与适用场景
决策模型的核心优势在于将模型输出从自然语言生成转变为结构化决策。它能够针对预先定义的选项、评分标准或判断条件,直接输出决策结果及其概率分布,减少自然语言生成和结果解析带来的额外开销,也更便于与现有软件系统集成。
因此,决策模型尤其适用于决策空间明确、输出格式固定、需要批量处理且要求结果可量化的场景,例如分类、风险评分、策略选择、任务路由和规则判断。对于开放式问答、内容创作及需要复杂自然语言交互的任务,传统 LLM 仍然更合适。
决策模型在网络安全领域的应用潜力
网络安全领域存在大量适合结构化决策的任务:例如恶意流量与正常流量分类、安全告警研判、威胁等级评估、攻击类型识别,以及告警优先级排序和处置策略选择等。这些任务通常具有明确的输入信息和有限的决策选项,因而适合采用决策模型进行处理。
以安全告警研判为例,模型可以根据告警规则、网络连接信息、进程行为及上下文数据,判断告警是否可信、属于何种威胁,并给出相应的概率分布。进一步地,还可以根据决策结果将告警分流至自动处置、人工复核或升级调查等不同流程,从而降低安全分析人员的工作负担。
因此,决策模型有望成为现有安全检测系统与自动化响应流程之间的智能决策层,推动安全运营从传统的规则匹配和告警检测,逐步向智能化、精细化的研判与响应发展。不过,在实际应用中,仍需重点关注模型的误判风险、概率校准能力,以及面对未知威胁时的可靠性。
02
TECH ROUTES
从通用模型到领域模型:QJev 的技术探索与实践
如何构建面向安全任务的训练数据?
训练数据的质量与构成,直接影响决策模型最终能够具备什么样的能力。对于面向网络安全领域的决策模型而言,我们不仅希望模型能够理解安全领域的专业知识,还希望它具备较好的通用分类、逻辑推理和不确定性判断能力。因此,在训练数据的构建上,我们采用了领域数据与通用决策数据相结合的思路。
首先,引入安全领域的专有数据,建立领域知识基础。我们使用了内部积累的安全告警数据,涵盖中文和英文两种语言。这部分数据主要围绕安全告警分类任务,帮助模型学习安全领域的专业术语、告警特征以及不同类型安全事件之间的区别,使模型能够更好地理解安全业务场景,为后续领域任务适配提供基础。
其次,引入公开的通用决策数据,增强模型的基础决策能力。仅依赖安全领域数据进行训练,容易使模型的能力局限于特定业务场景,也不利于保留原有模型的通用能力。为此,我们进一步引入了多个公开决策数据集,覆盖文本分类、自然语言推理、通用决策以及概率或分布估计等任务。这些数据有助于模型学习更具通用性的判断与决策模式,而不仅仅是记忆特定领域的分类知识。
此外,我们特别关注输入形式和文本长度的多样性。实际业务中的输入并不总是简单的文本描述,也可能包含日志、工单、聊天记录、邮件线程、JSON 记录、代码片段以及表单等不同形式的信息。同时,一些业务场景还涉及政策文档、合同、内部备忘录、理赔记录等较长文本。因此,在通用数据的选择上,我们不仅关注任务类型的多样性,也关注输入格式和文本长度的差异,希望模型能够适应更加复杂、异构的输入场景,提升面对真实业务数据时的鲁棒性。
这种数据构成的核心目标,是在增强模型安全领域专业能力的同时,尽可能保留其原有的通用决策能力,为后续模型微调、评测和实际业务应用奠定基础。
开源决策模型的技术路线与训练
在 QJev 的探索过程中,我们有针对性地对以下模型做了领域适配性训练。
路线一 · contrastive-lm(CLM)
— 图 2|CLM 训练和预测示意图(来源:contrastive-lm.notion.site)
Contrastive Language Models(CLM)是一种面向快速、可泛化决策的“System One”语言模型,它通过对比学习将状态表示与正确动作表示对齐,从而把动作选择转化为向量相似度检索。CLM 由两个编码器组成:状态编码器将当前环境、任务上下文或观测编码为状态向量;动作编码器将候选动作编码为动作向量。训练时采用 InfoNCE 对比目标:给定一个状态,模型拉近该状态与真实执行动作的嵌入距离,同时推远其与其他候选动作(负例)的距离。推理时,CLM 将当前状态与候选动作分别编码,计算状态嵌入与每个动作嵌入的相似度,并选择得分最高的动作。因此,它本质上是一个零样本动作分类器或动作检索器。
该算法的优势包括:
低延迟:动作嵌入可预先计算并缓存;当候选动作集合固定或可复用时,推理只需一次状态编码与向量比对。
可扩展性:新增动作通常只需编码并加入动作库,而不必重新训练整个模型。
该算法的缺点:由于优化目标是“状态—动作”的相对匹配,而非细粒度、可校准的类别判别,所以 CLM 在分类任务上效果较差。更深层次的原因是双编码器交互不足,即 CLM 分别编码状态与候选动作,再用向量相似度打分。这种 bi-encoder 设计高效,但无法让状态细节与候选文本逐词交互;当类别间仅存在细微语义差异时,全局嵌入相似度难以区分正确项与近似负例。
我们最开始提供内测的 QJev-8B 就是以 CLM 为蓝本(尝试使用 Qwen3-8B、Qwen3-4B、Qwen3.5-4B 做 embedder)用安全告警数据微调得到。算法的缺陷导致 QJev-8B 在告警分类上的指标不高,我们最终将该模型下线。
路线二 · Open-Jev
Open-Jev 模型既不引入双编码器,也不改造底座结构,而是把一次分类请求重新表述为若干条并列的判别式对话。对于每一个候选项,模型只需在完整上下文之后回答一个二值问题——该候选项是否正确;随后由一个极小的线性验证头,把模型在作答位置的内部表示读成一个标量分数。模型不生成任何词元,前向计算在作答位置即告终止,该位置的末位隐状态可视为“答案”的表示,因此一次预填充即完成一次推理。值得注意的是,验证头始终只有一维:类别语义并不驻留在头的维度上,而是写在判别文本之中,故更换候选集合、增设新的研判结论只需修改输入文本,权重与验证头均无须改动。
该算法的优势包括:
判别而非生成:不产生输出词元,推理时延与答案长度无关,多条候选可作为一批并行发出。
概率可校准:验证头输出连续标量分数,可在少量校准样本上以单一温度参数归一化为与真实正确率一致的概率,这是下游做阈值分流与告警分级的前提。
该算法的不足在于推理成本随候选数量线性增长:候选越多,所需前向次数越多,上下文越长,放大效应越明显,且同一请求内的多条判别须全部成功才能构成一次完整决策。分数本身也不具备语义,须经温度校准方可作为概率使用,否则会系统性地过度自信。此外,候选集合在训练阶段即已固定,新增题目往往需要重新训练。
我们内测的 QJev-4B-r0 即采用这一路线:以 Qwen3.5-4B 为底座,叠加低秩适配与一维验证头,验证头由底座的判别方向初始化后联合训练,并在校准集上拟合温度参数。在留出测试集上,该题型准确率由底座的约六成提升至九成以上,整类留出的分布外测试集上亦有相近幅度提升,表明模型习得的是审阅证据的方法,而非特定攻击类型的表层特征。
— 图 3|Open-Jev 的验证式打分:一次请求展开为多条判别对话,读出作答位置的隐状态后按题归一化
路线三 · Nimble
Nimble 模型同样不增加额外的验证头,也不改动模型结构。其基本判断是,既然底座本身已具备答题能力,就应把题目原样呈现——上下文、字段定义与候选项一并写入输入,模型只需在作答位置给出一个候选字母。训练时交叉熵仅作用于候选字母对应的少数词元,归一化分母只包含真实候选,因此末位分布天然构成一个与候选项数等价的分类器;推理时在同一位置取出这些字母的取值并归一化,即得该题的概率分布。整个过程一次前向、零生成,长上下文下的词元开销明显低于逐候选判别的做法。
这一路线的成立有一个容易被忽略的前提:候选字母必须对应独立的词元。因此渲染完成后需逐一校验——将字母拼接于输入末尾,词元序列须恰好多出一个普通词元,且各候选互不相同;校验不通过即直接报错,而非静默退化。
该算法的优势包括:
一次前向完成整道选择题:所有候选项共享同一条输入,末位分布可一次读出全部候选得分,上下文越长,节省越显著。
结构精简:不改动模型、不新增验证头、不引入新的推理组件,通用推理框架均可直接运行,权重增量仅为一层低秩适配。
该算法的不足在于,它把决策重新纳入了生成式接口:模型输出的仍是整个词表上的分布,只是在读出时作了裁剪,因而继承了自回归模型的若干偏好,例如对字母本身先验的依赖,以及对措辞与选项顺序的敏感。它缺少独立的温度校准环节,归一化后的概率直接投入使用,置信度的可靠性取决于训练数据本身。此外,字母方案将候选数量限制在二十六个以内,候选规模一旦扩大便需更换编码方式。
— 图 4|Nimble 的候选字母分类:一次前向在候选字母上读出答案,并与逐候选方案对比序列开销
路线四 · Clef
— 图 5|Clef 的输入输出示意图(来源:Cloudflare 技术博客)
Clef(Cloudflare Decision Models)是一种基于预训练语言模型的非自回归结构化决策模型(Non-autoregressive Decision Model)。它利用预训练模型的语义理解能力,对给定输入及预定义 Schema 中的候选选项进行联合评分,直接输出具有明确类型和概率的结构化决策结果。
与传统分类器相比,Clef 保留了大语言模型的通用语义理解和上下文处理能力;与传统 LLM 相比,它不需要生成冗长的推理文本或 JSON,而是直接产生受 Schema 约束的决策结果,更适合低延迟、高频率的业务决策场景。
Clef 的架构可以分为三个核心部分:
1. 预训练语言模型 Backbone:以 Qwen 系列模型作为基础网络,负责理解输入上下文。Clef 还保留了视觉编码器,因此能够处理文本、JSON、图像和视频等多模态信息。
2. Joint Schema Head:它不是简单地在 Backbone 后面增加一个传统分类层,而是引入专门的 Transformer 决策头,其中包含三个关键机制:
① Option-specific Evidence Routing:针对每个问题及其候选选项,从 Backbone 的隐状态中提取与当前决策相关的上下文证据。
② Joint Cross-field Attention:不同决策字段之间通过交叉注意力交换信息,同时回溯原始输入,建模多个决策问题之间的关联。
③ Schema-bound Scoring:对每个字段的合法候选选项计算 Logits,形成受 Schema 约束的输出空间。
3. 概率输出层:对每个问题的候选选项分别执行 Softmax,得到对应的概率分布。
我们提供内测的 QJev-4B-r6 就是借鉴 Clef 的思路,以 Qwen3.5-4B 为 Backbone,利用混合数据,使用 unsloth 框架微调得到。
03
EVALUATION
如何找到适合安全领域的决策模型?——评测与筛选
构建面向网络安全的评测数据集
对于面向网络安全领域的决策模型,通用分类数据集很难充分反映模型在真实安全场景中的表现。因此,我们围绕实际业务需求,构建了三个具有不同评测定位的数据集,分别从真实业务数据、同分布验证数据和实际场景测试数据三个角度,对模型能力进行考察。
alert_bench_a:告警日志,覆盖代码执行、命令执行、非授权访问、文件上传、黑市工具等 23 种攻击类型;标签为是否为网络攻击(三分类:攻击/业务/暂不确定)与执行结果(三分类:成功/失败/暂不确定)。
alert_bench_b:与训练数据中告警数据同源同分布的验证数据,覆盖代码执行、信息泄露、文件读取、SQL 注入、命令执行等 20 种攻击类型。
alert_bench_c:告警数据,覆盖 SQL 注入、Webshell 利用、XSS、代码执行、命令执行、信息泄露、文件上传、目录遍历、非授权访问等 12 种攻击类型;标签为攻击结果(三分类:成功/失败/无法判断)。
通过这三个层次的评测,我们希望不仅能够回答模型“能不能识别网络攻击”,还能够进一步回答“能不能判断攻击是否成功”以及“能不能适应真实业务场景”等更贴近实际应用的问题。
如何衡量决策模型的性能?——评测指标与方法
在完成评测数据集构建之后,下一步需要明确:如何判断一个决策模型是否真正具备我们所期望的能力?具体评测指标、对应的数据集、考察内容及评测方法如下。
alert_bench_a / alert_bench_b(准确率):衡量模型告警研判与执行结果三分类与人工标注的一致性。方法为分别采用两套独立的提示词评测——仅提供原始告警信息,模型需分别判断“告警是否有效”以及“具体执行结果是否成功”,各自输出三分类结论,再将模型输出与标准答案逐条比对、计算各项准确率。
alert_bench_c(准确率):衡量模型告警研判三分类结论与人工标注的一致性。方法为分别使用两种提示词评测——plugin 为自研告警研判插件的提示词,generic 仅告知模型进行研判、不提供插件逻辑;人工标注按 plugin 提示词逻辑标注,模型输出三分类结论(成功/失败/无法判断)后与标注逐条比对、计算准确率。
alert_bench_c(覆盖率):衡量模型正常完成研判的比例,方法为统计模型正常返回结构化结论的条数占样本总数的比例。
评测结果
在明确评测指标与方法之后,我们进一步围绕训练数据的组成和训练过程开展了多组对比实验。主要的实验结果见表 4、表 5 和表 6。
数据速览:alert_bench_a 总体准确率最高 96.27%(r8),alert_bench_b 最高 96.01%(r3),alert_bench_c plugin 准确率最高 83.24%(r3)。
| 模型 | 总体准确率 | 攻击结果 / 研判结果 |
|---|---|---|
| QJev-4B-r8 | 96.27% | 95.52% / 97.01% |
| QJev-4B-r7 | 96.27% | 94.93% / 97.61% |
| QJev-4B-r6 | 96.12% | 94.93% / 97.31% |
| QJev-4B-r3 | 95.97% | 95.82% / 96.12% |
| QJev-4B-r0 | 94.48% | 95.52% / 93.43% |
| Qwen3.5-397B-FP8 | 90.42% | 87.72% / 93.11% |
| Qwen3.8-27B | 90.15% | 88.96% / 91.34% |
| Qwen3.6-27B | 90.12% | 87.43% / 92.81% |
| GLM-5.2-FP8 | 89.82% | 86.23% / 93.41% |
| Qwen3.6-35B | 88.81% | 86.57% / 91.04% |
| NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4 | 88.77% | 88.02% / 89.52% |
| Qwen3-235B | 87.73% | 86.23% / 89.22% |
| Mistral-Large-3-675B-Instruct-2512-NVFP4 | 85.63% | 83.23% / 88.02% |
| DeepSeek-V4-Flash-0731-processed | 85.08% | 76.42% / 93.73% |
| gpt-oss-120b | 84.74% | 87.13% / 82.34% |
— 表 4|alert_bench_a 的评测结果
注:「攻击结果 / 研判结果」为两项准确率,按顺序对应;各模型样本请求失败数均为 0。
| 模型 | 总体准确率 | 攻击结果 / 研判结果 |
|---|---|---|
| QJev-4B-r3 | 96.01% | 93.70% / 98.32% |
| QJev-4B-r8 | 95.90% | 93.70% / 98.11% |
| QJev-4B-r6 | 95.27% | 92.86% / 97.69% |
| QJev-4B-r7 | 95.06% | 91.81% / 98.32% |
| QJev-4B-r0 | 92.96% | 92.86% / 93.07% |
| Qwen3.8-27B | 88.24% | 81.93% / 94.54% |
| Qwen3.5-397B-FP8 | 86.80% | 81.49% / 92.10% |
| gpt-oss-120b | 84.99% | 75.85% / 94.13% |
| GLM-5.2-FP8 | 84.99% | 75.87% / 94.13% |
| Qwen3.6-27B | 84.77% | 78.33% / 91.20% |
| NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4 | 84.65% | 80.36% / 88.94% |
| Qwen3.6-35B | 82.78% | 76.26% / 89.29% |
| Qwen3-235B | 82.51% | 75.17% / 89.84% |
| DeepSeek-V4-Flash-0731 | 78.79% | 66.60% / 90.97% |
| Mistral-Large-3-675B-Instruct-2512-NVFP4 | 60.16% | 55.53% / 64.79% |
— 表 5|alert_bench_b 的评测结果
注:「攻击结果 / 研判结果」为两项准确率,按顺序对应;各模型样本请求失败数均为 0。
| 模型 | plugin 准确率 | generic 准确率 |
|---|---|---|
| QJev-4B-r3 | 83.24% | 75.85% |
| QJev-4B-r0 | 78.84% | 72.38% |
| QJev-4B-r6 | 78.44% | 76.87% |
| QJev-4B-r7 | 77.03% | 76.63% |
| QJev-4B-r8 | 76.00% | 73.88% |
— 表 6|alert_bench_c 的评测结果
注:plugin 与 generic 覆盖率均为 100%,样本请求失败数均为 0。
基于 JevBench 的本地验证
JevBench 是一个面向类型化决策模型的评测框架,主要用于评估模型在结构化决策任务中的表现。它主要评测决策准确性、概率校准、推理延迟和成本。
— 图 6|JevBench 本地验证分组任务正确率示例
我们在下表中列出了几个主要测试模型的本地 JevBench 指标:
| 名称 | 正确率 ↑ | Brier score ↓ | ECE ↓ |
|---|---|---|---|
| QJev-4B-r6 | 86.58% | 24.09% | 7.80% |
| QJev-4B-r7 | 85.71% | 24.04% | 6.90% |
| Qwen3.5-4B | 80.95% | 27.50% | 6.00% |
| QJev-4B-r0 | 74.89% | 31.24% | 11.12% |
| QJev-4B-r5 | 74.03% | 40.46% | 10.94% |
| QJev-4B-r3 | 72.73% | 39.26% | 9.94% |
— 表 7|本地 JevBench 指标
阶段性评测结论
阶段性结论:综合安全领域评测集与 JevBench 本地评测结果,我们从四种开源技术路线中筛选出了两个在当前评测条件下表现较好的候选模型(QJev-4B-r0 和 QJev-4B-r6),作为后续工程化部署的基础。
安全领域评测结果为模型的领域适配提供了主要依据,JevBench 则从领域外任务角度补充观察了模型的决策能力。总体来看,本次实践初步验证了不同开源决策模型技术路线在网络安全场景中的应用可行性,也为后续模型优化和业务落地提供了候选方案。
需要说明的是,当前结果主要反映各方案在现有数据和评测条件下的表现,尚不能据此判断微调带来的实际性能增益,也不能充分证明模型通用能力得到了保留。
04
OUTLOOK
从实验走向应用:当前的局限与未来的规划
本次实践完成了从开源决策模型技术探索、领域数据微调与评测,到自托管 Type-Safe API 部署的初步闭环。
但受限于训练数据规模、评测范围及实践周期,目前的工作仍有一些不足,后续需要进一步完善。
数据集的局限:训练与评测数据仍需完善
目前使用的训练数据和安全领域评测数据,在任务类型和数据分布上仍相对单一,后续需要进一步扩充数据来源和任务类型,覆盖更多安全场景、攻击类型及不同难度的样本,同时加强数据质量控制,降低训练数据与评测数据之间的潜在分布偏差。
泛化能力的挑战:领域能力与通用能力如何兼顾?
目前的模型筛选主要依据自建安全领域评测集,虽然通过本地 JevBench 对模型的领域外决策能力进行了补充验证,但评测范围仍然有限,尚不足以全面说明模型对不同任务和数据分布的泛化能力。
此外,由于目前尚未系统开展基础模型与微调模型的对照评测,因此还无法准确判断领域微调对原始模型通用能力的影响。
后续需要引入更多公开基准和领域外测试集,并建立微调前后的对照实验,进一步评估模型在领域适配与通用能力保持之间的平衡。
评测体系的完善:从性能评估到概率校准
目前的评测主要关注模型的分类准确率及概率预测质量,但对于概率校准、决策稳定性和不确定性等方面的评估仍不够充分。
例如,Accuracy 可以衡量决策正确性,Brier Score 和 ECE 可以从不同角度衡量概率预测质量,但单一指标难以全面反映模型的实际可靠性。尤其在安全场景中,误判成本通常并不对称,对高风险决策还需要考虑置信度与实际错误率之间的关系。
后续需要建立更加完善的评测体系,综合考察准确率、召回率、Brier Score、ECE、决策一致性及推理性能,并探索基于概率校准和不确定性估计的决策机制。
后续技术规划
围绕上述问题,后续工作将重点从以下几个方向推进:
1
丰富训练数据与任务类型:扩展网络安全领域的数据覆盖范围,逐步引入多选项决策、风险评分、策略路由等任务。
2
完善模型对照实验:增加基础模型与微调模型的对照评测,验证领域适配效果及其对通用能力的影响。
3
建立更全面的评测体系:结合准确率、概率校准、决策一致性和不确定性等指标,提升模型评估的全面性与可信度。
4
优化模型推理与部署:探索模型蒸馏、量化及推理加速等技术,降低部署成本,提高服务吞吐量和响应效率。
5
推进业务场景落地:将决策模型逐步应用于安全告警研判、威胁分类和风险评估等实际业务流程,持续通过线上反馈完善模型。
05
DEPLOYMENT
落地:QJev 已上线奇安信 AI 安全开放平台
QJev 已上线奇安信 AI 安全开放平台(ai.qianxin.com),现面向客户限时免费开放接入体验。
通过平台,你可以直接调用 QJev 的 Type-Safe API,获得开箱即用的告警研判等结构化决策能力,无需自行训练与部署;平台附接入文档与示例,便于快速完成对接。有兴趣的团队可前往 ai.qianxin.com申请。
∞
THE END
总结
综上所述,本工作验证了开源决策模型在网络安全领域进行适配、评测和工程化部署的可行性。后续将从数据、模型、评测和工程四个层面持续迭代,逐步推动决策模型从技术探索走向实际业务应用。
参考文献
[1] Dai S, Pentyala S K, Liu Y, Mehrotra S, Banerjee S, Zhu J, Bi B, Asur S, Mui P. Koa-action: Fast and Consistent Structured Decision Making with Generative LLMs. 2026, arXiv:2609.36115v2.
[2] Deu?er T, Sparrenberg L, Rafet Sifa R. Evaluating and Benchmarking the System One Model Jev. 2026, arXiv:2609.37647v1.
[3] Li Y, Wagle J. LLM-as-Jev: LLMs Are Already Jev-Style Decision Models -- When and How to Fine-Tune Them. 2026, arXiv:2610.02076v2.
[4] Nandakishore G. CLM-as-a-Judge: Evaluating an Open Contrastive Decision Model on Public Judge Benchmarks. 2026, arXiv:2610.07177v1.
[5] Rezvani A, Behrouzi S, Sadeghi A. JevVibe: Efficient Classification-Guided Secure Code Generation. 2026, arXiv:2609.34963v1.
[6] Shankaranarayana S M, Runje D, Jannink J. Beyond Answer Confidence: A Controlled Audit of Self-Knowledge in a Black-Box Decision Model. 2026, arXiv:2610.01006v1.
[7] Zhuang X, Su Z, Pan J, Wong N, Chen G, Kuo C. StartLux-Decision: AutoThink Decision Models with Reinforcement Learning for Calibrated Deliberative Decisions. 2026, arXiv:2610.17309v1.
如果你觉得今天这篇有收获,欢迎点赞、在看、转发三连,我们下篇见。
股票
板块
用户
资讯
评论 (0)