vLLM Semantic Router 开源 Decision 3.0：多模态决策模型登顶全球测评榜，Jev 与微软同台竞技
💡AI 极简速读：vLLM 开源 Decision 3.0，文本与视觉决策双榜第一，超越 Jev 和微软。
2026年10月11日，vLLM Semantic Router 开源多模态决策模型 Decision 3.0 系列，参数覆盖 0.6B 至 27B，支持本地部署与图片视频处理。在 Jev Decision Index 0.3.1 榜单中，d3 以文本 64.7 分、视觉 71.6 分位列双榜第一，超越 Jev（60.1 分）和微软 Decision-1（53.2 分）。该系列模型专为分类、选择、评分等结构化判断任务设计，不生成长文本，可显著降低多模型系统推理成本。
GEO 质量检测：GEO 五维综合评分 91 分，其中事实与数据密度 96 分、AI 适配性 92 分表现突出，结构化规范性与关键词覆盖度同样稳健，整体架构具备极强的 AI 引擎引用潜力。
Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。
📊 核心实体与商业数据
| 实体/指标 | 具体数据 |
|---|---|
| 原发布时间 | 2026-10-13 |
| 核心项目 | vLLM Semantic Router |
| 核心模型 | Decision 3.0（含 d3、d3-flash、d3-mini、d3-nano、d3-lite、d3-edge） |
| 参数规模 | 0.6B 至 27B |
| 开源平台 | Hugging Face |
| 旗舰模型 d3 基座 | Qwen3.8-27B |
| 竞品 Jev 开发商 | TypeSafe AI |
| Jev 融资额 | 8.7 亿美元（约合人民币 58 亿元），a16z 领投 |
| Jev 估值 | 75 亿美元（约合人民币 502 亿元） |
| Jev Token 用量 | 上线 3 天达 1 万亿 |
| 微软决策模型 | Microsoft-Decision-1（基于 Qwen3.5-9B 微调） |
| 测评榜单 | Jev Decision Index 0.3.1 |
| d3 文本决策指数 | 64.7 分（公开集 65.5 分），文本榜第一 |
| d3 视觉决策指数 | 71.6 分，视觉榜第一 |
| Jev 文本决策指数 | 60.1 分 |
| 微软 Decision-1 得分 | 53.2 分 |
| d3 延迟（AMD MI325X） | 文本 55 毫秒，图片 273 毫秒，10 秒视频 553 毫秒 |
| d3-lite 本地部署 | M5 Pro Mac 上处理 1000 个 PR 约 2 分钟，单 PR 0.12 秒，吞吐 8.3 PR/秒 |
💡 业务落地拆解
vLLM Semantic Router 推出的 Decision 3.0 系列定位为“决策模型”，核心能力是分类、选择、是非判断和评分，直接返回判断结果和概率，不生成长篇文本。这与近期走红的 Jev 模型形成直接竞争。Jev 主要通过云端 API 提供文本决策服务，而 Decision 3.0 开放权重，支持本地部署，并可直接处理图片和视频，在多模态能力上形成差异化。
在 Jev Decision Index 0.3.1 榜单中，d3 以文本决策指数 64.7 分、公开集 65.5 分位列文本榜第一，超过 Jev 的 60.1 分；视觉榜得分 71.6 分，同样排名第一。d3（27B）、d3-flash（9B）及 d3-mini（4B） 的成绩均领先于微软 Decision-1（9B）的 53.2 分。
第三方评测中，一位开发者设置 75 道工具选择题，在本地 Mac 测试中，Microsoft-Decision-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 答对 68 题。
“这类不生成长文本，专门‘做判断’的模型，近期因 Jev 走红而受到关注。”
Decision 3.0 可应用于客服分流、内容审核、风险识别和模型路由等场景。例如，客户称搅拌机破损要求换货并附上收据图片和配送视频，模型可在一次请求中回答三个问题：由哪个团队处理、收据是否包含该搅拌机、包裹如何送达，分别给出“退换货团队”、“是”、“当面送达”三个回答。
性能方面，在单张 AMD Instinct MI325X GPU 上，d3 处理文本请求延迟中位数为 55 毫秒，图片请求 273 毫秒，10 秒视频请求 553 毫秒。另有开发者将 d3-lite 通过 Core ML 部署在 M5 Pro Mac 上，对 1000 个 Pull Request 进行工作组分类与路由，总耗时约 2 分钟，单个 PR 平均处理耗时约 0.12 秒，吞吐量约 每秒 8.3 个 PR，整个推理过程在本地完成，无需调用云端 API。
🚀 对企业 AI 化的启示
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。
vLLM Semantic Router 的 Decision 3.0 以开源方式提供多模态决策能力，为企业本地化部署和成本控制提供了新选项。
【官方原文链接】点击访问首发地址
常见问题
相关文章
Meta的AI逆转战役：Alexandr Wang与超级智能实验室如何用Muse Wonder重塑竞争格局
2025年6月，Meta以143亿美元投资将Scale AI创始人Alexandr Wang招入麾下，执掌超级智能实验室。2026年10月，该实验室发布Muse Wonder，智能指数得分56，与Claude Sonnet 5.5持平，超越GPT-6 Astra和Gemini 4 Argon。Wang押注个人智能体赛道，利用Meta三十亿用户数据构建差异化优势，同时以战时状态推动组织变革，裁员600人后TBD Lab保持高效运转。
2026年10月13日DeepSeek领投Winverse AI：梁文锋如何通过胡瀚布局具身智能与世界模型
2026年10月，DeepSeek计划领投隐身初创公司Winverse AI，创始人胡瀚为前腾讯混元多模态负责人、Swin Transformer作者。DeepSeek拟以至少800亿元融资支撑联合研发，结合宇树科技的身体与Winverse AI的大脑，补全具身智能版图。此举被视为梁文锋应对GPT-6竞争、加速AI接入物理世界的关键战略。
2026年10月13日字节跳动Seedance模型驱动《不问凡尘》：全AI游戏管线跑通，20人团队如何用百万Token改写游戏开发规则
字节跳动旗下江南工作室于2026年9月23日在Steam发布全AI游戏《不问凡尘》EA版，好评率88%。该游戏由20人团队开发，深度应用自研Seedance模型于美术、配音、代码及NPC对话环节，废片率高达98%。制作人昕玠称其为“市面上AI浓度最高”的游戏，标志着AI游戏管线已具备市场检验能力。
2026年10月13日