正在加载 data/benchmark.json …
测量说明：数据来自一台 Apple Silicon 笔记本在正常桌面负载下的单次测量，不同运行间会有波动——
请在你自己的硬件上运行 minojev compare。这里按单请求顺序测量；批处理与共享前缀复用
会对引擎更有利，而逐 token 生成要付出更长的长尾（p95），并且只要答案不只是一个字母就需要解析步骤。
在合成坐标任务上，从零训练的紧凑模型仍更强（迷宫 5/6 vs 冻结 1.7B head 的 2/6），因此迷宫 Demo 保留小模型。
分来源准确率
| 来源 | minojev | 生成式 |
|---|
什么是"头训练"
1.7B 冻结骨干 8000 条请求 缓存特征 只训决策头 dev 温度校准
骨干权重全程不动。每条候选路径（状态 + 问题 + 选项）只前向一次，末位隐藏状态被缓存；随后只用 几百万参数的决策头在这些缓存向量上做分布损失训练，最后在 dev 上拟合温度。本次运行在笔记本上 约 37 分钟、4GB 内存，骨干没有灾难性遗忘风险。产出的是一个 零输出 token 的带类型、可校准分布，而不是需要解析的句子。
minojev build-data --per-source 2500 --per-ood 800 minojev posttrain --backbone Qwen/Qwen3-1.7B --mode head \ --train data/general-train.jsonl --dev data/general-dev.jsonl \ --output-dir runs/general-head --steps 3000 --inference-dtype bfloat16 minojev compare --checkpoint runs/general-head/checkpoint \ --input data/general-test.jsonl --limit 120 --chat-template
为什么重要
零解码
每个决策 0 个输出 token。生成式基线即使被要求只答一个字母，也要花 2.5–3.5 个 token。
没有首 token 等待
根本没有"第一个 token"：答案是读出来的。基线在 ~100ms 后才出首 token，p95 可拖到数秒。
可校准置信度
每个答案都带概率分布，温度在 dev 上拟合、ECE 公开；生成式给不出概率。