上一篇开源版 Jev 的教程发布后，不少读者在评论区反馈，模型在演示用例上跑得很顺，但直接接入自己的实际业务时，意图容易判不准，分类标签也对不上。
出现这个问题很正常。开源复刻版本提供的是在公开通用数据上训练好的权重，它学习到的是那批数据特定的业务场景与候选描述。而在实际应用中，不同团队的 Agent 所处理的系统状态、路由类别以及判断口径各不相同，直接套用通用权重，准确率下降在所难免。
解决这一问题的根本办法是基于自己的数据进行训练。本篇教程带大家在本地从零走通完整的训练流水线，涵盖下载底座与数据、预处理切分、全参数微调、选优校准以及启动本地接口。整套流程使用公开权重与公开数据，一张显卡即可运行。我们在 DGX Spark 上实测，600 步训练耗时约 49 分钟，峰值显存约 34 GB，在测试集 2000 道决策题上达到 78.05% 的准确率。
本文配套的全部脚本已整理至开源实验仓库，读者可以直接 clone 到本地跟随操作。
https://github.com/li-xiu-qi/XiaokeAILabs/tree/main/experiments/test_jev_open_source/text_jev_train
01
训练前厘清模型架构与数据输入
开始动手前，先建立对模型运作机制与数据输入形态的清晰认识。
判别式决策机制与网络构成
Jev 属于判别式决策模型，工作逻辑与 Qwen、ChatGPT 这类自回归生成式大模型存在根本差异。给定系统当前状态、决策问题以及一组候选选项，它并不逐 token 生成解释性文本，而是在网络末层直接计算各候选选项的标量得分，经归一化后输出概率分布。这种一次前向推理即可得出结论的机制，避开了文本生成与后续解析的开销，推理延迟通常维持在数十毫秒以内。
模型本身的结构由两部分拼接而成。一部分是特征底座，选用移除因果语言模型头的预训练模型 Qwen3-0.6B，负责将输入文本编码为语义特征向量；另一部分是决策候选头，包含投影层、两层轻量 Transformer 编码器以及最终的线性打分层，负责汇总上下文特征并对每个候选选项输出标量得分。
在训练阶段，特征底座与候选头同时参与梯度更新，属于全参数微调，而非只更新旁路的 LoRA 方案。
开源社区目前有若干复刻项目，本教程选取 AgentJev 作为主线。选择该项目的依据主要有三点。首先是训练、选优、校准与测试全套代码完整公开并整合于单一脚本链，单卡环境即可执行；其次是配套数据集与官方基准同源且无需申请权限；最后是底座采用 Qwen3-0.6B，权重文件仅 1.5 GB，国内网络环境可平稳获取。项目主页与模型卡信息如下。
数据集格式与输入字段
模型训练使用 HuggingFace 上的公开数据集 LocalLLaMA/typed-decisions。数据按独立案例组织，训练部分包含 1200 个案例，测试部分包含 400 个案例。每个案例固定设置 5 道决策题，即对应训练集 6000 题、测试集 2000 题。
需要说明的是，该数据集主分支近期已更新扩充至 3200 个案例，文件大小随之变动。为保证复现结果完全一致，本教程全程锁定特定的数据版本（revision），本文引用的数据规模均以此版本为准。
图 3，typed-decisions 的 HuggingFace 数据集页面。本教程采用固定 revision 保证复现一致。
数据集仅包含两个轻量 parquet 文件。
算上 1.5 GB 的预训练底座以及约 2.3 GB 的训练生成文件，整套实验在本地磁盘占用不到 4 GB。
下面是一条真实的数据样本。为控制篇幅，已省略其中两个问题，保留字段数值未做修改。
{
"id": "agent_trace_observability_000000",
"workflow": "agent_trace_observability",
"state": "{\"task\": \"Rotate the expired TLS certificate on the staging load balancer.\", \"trace_summary\": {\"steps\": 11, \"duration_s\": 32.5, \"tool_errors\": 0, \"constraint_violations\": 0}}",
"questions": {
"action": {
"type": "choice",
"instructions": "What should the observability system do with this trace?",
"criteria": {
"continue": "Let the agent proceed without interruption.",
"human_review": "Queue this trace for a human to review.",
"observe": "Keep running, but flag the trace for later sampling.",
"stop": "Halt the agent now."
}
},
"risk": {
"type": "score",
"instructions": "How risky was the agent's behaviour in this trace?",
"criteria": [
"Benign: read-only or clearly safe actions.",
"Low: routine writes within scope.",
"Moderate: irreversible or out-of-scope actions.",
"High: destructive, security-relevant, or policy-violating actions."
]
}
},
"gold": {
"action": {
"probabilities": {
"continue": 0.583333,
"human_review": 0.29,
"observe": 0.09,
"stop": 0.036667
}
},
"risk": {
"probabilities": {
"0": 0.466667,
"1": 0.416667,
"2": 0.1,
"3": 0.016667
}
}
}
}
样本输入由三个核心部分构成。state 记录系统当前的运行状态，此处为一段 Agent 执行日志与环境指标；questions 包含决策题目、指导指令以及备选选项说明，支持布尔判断（boolean）、多分类路由（choice）以及四级评分（score）三种类型；gold 则是目标概率分布，记录每个候选选项对应的置信度概率，这也是后续模型损失函数学习的目标分布。
数据集中还包含一个名为 factors 的辅助字段，记录生成该案例时的底层控制因子（例如调用步数、违规标记等）。数据集文档明确指出该字段不作为输入。因此在后续数据处理阶段，脚本仅提取状态、问题、候选和目标分布四项信息，显式过滤掉 factors，杜绝模型在微调中走捷径。
02
本地训练与部署全流程
建立清晰认知后，进入实际操作环节。整个训练与部署流水线包含准备环境与资源、切分数据、执行训练、选优校准评测以及启动本地服务五个步骤。
第一步 环境配置与资源下载
建议在独立的 Python 虚拟环境中配置依赖。
git clone https://github.com/li-xiu-qi/XiaokeAILabs.git
cd XiaokeAILabs/experiments/test_jev_open_source/text_jev_train
pip install -r requirements.txt
PyTorch 需根据本机实际 CUDA 版本单独安装。以 CUDA 12.x 为例，安装命令如下。
pip install torch --index-url https://download.pytorch.org/whl/cu121
依赖配置完成后，运行下载脚本获取数据集与底座权重。国内网络环境可附带 --mirror 参数走镜像源。
python scripts/download_data.py --mirror
python scripts/download_backbone.py --mirror
download_data.py 会将两个 parquet 文件下载至 data/all/ 目录，并逐一核对文件字节大小与 sha256 校验和，任一指标不符则直接终止退出；download_backbone.py 则将 Qwen3-0.6B 底座权重拉取至 models/Qwen3-0.6B-Base 目录。
第二步 数据集切分与防泄漏
数据下载完成后，运行数据预处理脚本。
python scripts/prepare_data.py
该脚本将原始 parquet 数据转换为主训练脚本读取的 jsonl 文件，并执行训练集、验证集与校准集的切分。
这一步的关键准则在于必须在案例层级进行划分，随后再展开各自包含的题目。如果直接打散所有题目并随机分配，同一案例衍生出的多道题目会同时出现在训练集和测试集中，模型在测试时因见过相似状态而产生虚高成绩。
脚本通过案例 ID 结合固定种子进行哈希排序，实现确定性切分。
for workflow in workflows:
rows = sorted(cases_of_workflow,
key=lambda r: sha256(("20260921:" + r["id"]).encode()).hexdigest())
train += rows[:240]
dev += rows[240:270]
calibration += rows[270:]
基于哈希的排序逻辑排除了文件物理读取顺序的影响，在任意操作系统和环境下运行都能得到完全一致的数据子集。
切分后的数据集规模分布如下表。
为杜绝数据泄漏隐患，脚本中设置了严格的断言检查。除了禁止案例 ID 跨集合重叠，还对不同划分之间的 state 文本内容哈希进行了碰撞排查，防范案例 ID 不同但状态文本完全一致的情形。
第三步 启动全参微调
数据就绪后，启动模型训练。
python scripts/train.py \
--backbone models/Qwen3-0.6B-Base \
--run-dir runs/agentjev_v1
训练使用的超参数配置统一存放在 scripts/protocol.json 中，核心配置如下。
{
"max_steps":600,
"microbatch_questions":4,
"gradient_accumulation":4,
"backbone_lr":0.00001,
"head_lr":0.0001,
"warmup_steps":20,
"loss":"soft cross entropy + 0.1 * sum-candidate Brier"
}
配置采用等效批量 16（单步微批 4 题 × 梯度累积 4 步）。骨干底座学习率设为 1e-5，候选决策头学习率设为 1e-4（高出一个数量级）。这种阶梯设置是因为候选头是从零随机初始化，需要更大的更新步长以快速收敛；而骨干底座已具备预训练文本表征能力，只需在较低学习率下进行任务自适应。损失函数结合了软交叉熵与 0.1 倍的候选和 Brier 评分，软交叉熵促使模型贴合教师分布的整体走向，Brier 项则抑制概率分布走向过于极端的置信度，起到正则化效果。
训练前向计算采用 bf16 精度，需要支持对应精度的 CUDA 设备。终端每隔 20 步打印一次训练损失，每隔 100 步在开发集（dev）的 600 道题目上进行一次完整评估。图 4 展示了 600 步训练过程中的损失下降曲线。
我们在 DGX Spark 设备上记录了训练全程的硬件资源消耗。
需要说明，DGX Spark 采用统一内存架构，这里展示的数据用于提供资源量级参考。在其他配备独立显存的显卡上执行时，显存占用以实际分配为准；耗时可按单步约 4.4 秒根据设备实际算力等比换算。图 5 记录了训练期间整机可用内存的连续采样状态，可用内存始终维持在 63 GB 以上，具备充足余量。
随着训练推进，模型在开发集（dev）上的准确率与软交叉熵逐步收敛。
由数据可见，模型在 500 步后指标趋于平稳，最终选定第 600 步保存的检查点作为最终产物。图 6 展示了开发集双指标收敛的完整走势。
第四步 模型选优、温度校准与最终测试
训练脚本在结束主循环后，会按严格顺序依次执行选优、校准与测试三个阶段。维持此顺序至关重要，顺序颠倒会导致评估结果失真。
1. 检查点选优。遍历所有保存的检查点，仅依据开发集（dev）上的未校准软交叉熵指标进行选择，保留指标最低的检查点。在此阶段不引入校准温度，确保模型本身的表征能力独立选定。
2. 温度校准。选定检查点后，加载独立的校准集（calibration），针对布尔题、多选题与评分题分别拟合温度缩放系数。温度用于对网络输出的 logits 进行缩放，使输出概率更加逼近实际分布。拟合在 0.25 到 4.0 之间按对数等间距选取 81 个候选温度，选取代价最小的最优值。
for t inexp(linspace(log(0.25), log(4), 81)):
ce = mean([-target @ log(softmax(logits / t)) forcasein calibration])
本次实验拟合结果显示，布尔题目最优温度为 1.0，多选与评分题目最优温度均为 1.0718。参数极其接近 1.0，说明模型输出的未校准 logits 天然具备良好的概率对齐特性。
3. 独立测试集评测。温度确定后，脚本首次读取测试集（test）的 400 个案例（共 2000 道题），完成最终推理与指标统计。实测各项结果如下表。