该项目旨在提供一种快速、本地化的“类型化决策”模型，用于数据筛选和模型评估。
Nimble 的核心思想是“系统一”方法，即模型不生成推理过程，而是直接对给定的文本和模式（Schema）做出快速决策。它接收一段文本和一个扁平的模式（包含枚举或布尔类型的问题），然后为每个问题返回一个类型化的答案以及每个可能答案的概率。这种方式速度极快，因为模型只进行一次前向传播。
一个9B模型用两天时间训练出来，在自家评测上把未微调的27B模型甩开5个百分点，还能在你的苹果笔记本上免费跑！
它就是Bespoke Labs刚开源的Nimble，一个号称“开放式Jev”的决策模型！
2026年9月，AI研究机构Bespoke Labs发布开源项目Bespoke Nimble，一个能在本地运行的9B类型化决策模型。它用两天训练完成，在324条留出样本上准确率达到90.12%，超过未微调的27B模型，声称是Jev的开放替代方案。
决策不做解释，9B模型两天学会了
Nimble做的事情说起来简单得不像话。
你给它一段文本和一个“模式”。模式是一组扁平的问题，每个问题要么是从你给的选项里选一个，要么是回答是或否。它返回一个答案，加上每个可能答案的概率。
没有推理过程，没有解释，没有“让我想想”。一次前向传播，直接出结果。
Bespoke Labs把这种方法叫“系统一”决策，灵感来自TypeSafe的Jev。人类做快速判断时不写推理链，Nimble也不写。
这有什么用？路由请求、检查条件、应用策略、按评分标准打分。供应链分类、客服工单分级、内容审核判断——凡是“从已知选项中选一个”的场景，它理论上都能干。
数据是合成生成的，覆盖10个类别：商业、教育、家居、媒体、公共服务、科学、软件、供应链、旅行、职场。训练集2676条，留出集324条，全部由模型生成再经模型校验，没有人手审查过。
训练只跑了一个epoch。LoRA rank 16，学习率5e-5，有效批大小8，随机种子17。用的是Qwen3.5-9B作为底座。
然后数据就变了。
在324条留出样本上，未微调的Qwen3.5-9B拿到215条匹配，66.36%。Nimble拿到292条，90.12%。同一套题，同一个模型家族，微调之后涨了将近24个百分点。
27B的Qwen3.8在同评测上只有84.88%。一个9B的微调模型，干翻了27B的未微调模型。
但是等一下。
“开放配方”里藏着一半的配方
Bespoke Labs反复强调一件事：他们是开放数据、开放模型、开放配方的。
数据确实在仓库里，data/train.jsonl和data/eval.jsonl，甚至还有校验脚本确认文件没有损坏。模型权重在Hugging Face上，bespokelabs/Bespoke-Nimble-9B，Apache-2.0许可。
但训练数据里的“对比式数据策划”方法，有一个细节值得停下来看。
他们的做法是这样的：写两个几乎一样的例子，只改动其中一个事实，让正确答案翻转。比如一个退款授权场景，第一版里授权书上签的是Mira，第二版改成Noah，其他一切不变，退款授权从true变成false。
“模型从这个对比里学到什么东西该改变决策。”
这个方法本身不新。有人在回复里说得很直白：“我们从2023年开始就在每一篇数据集论文里看到这个技巧了。”
但Bespoke Labs真正的赌注不在方法本身。
他们的训练数据没有任何概率标注。没有人类标注的置信度，没有教师模型的软标签，只有硬标签true/false或者从选项里选一个。
意思是：模型学到的是“选对还是选错”，而不是“多确定”。
那为什么模型输出的概率看起来还不错？
因为评分器在读logits。模型给每个候选答案的token打一个原始分数，评分器用softmax把这些分数转成概率。概率来自模型内部的数值关系，不是来自任何外部校准。
这就是问题所在。
概率看起来像置信度，但它不是
Nimble的README里有一段话，说得非常清楚，但也非常容易被忽略：
“概率不是答案正确的保证。Nimble只是把它们缩放到在你的候选答案上加起来等于1。0.9的概率不意味着答案有90%的正确率。”
读第二遍。
一个决策模型告诉你它有90%的把握，但那个90%不是“90%的时候是对的”的意思。它只是说，在你给的这几个选项里，模型内部的计算更偏向这一个。
如果正确答案不在你给的选项里，那个“90%”依然会显示出来，因为它只在候选答案之间做归一化。
这就好比你问一个人“咖啡还是茶”，他说咖啡的概率是0.9。但他可能根本不想喝饮料，只是你只给了这两个选项。
Bespoke Labs自己也知道这一点。他们建议：如果你觉得正确答案可能不在选项里，加一个“以上都不是”的选项。
一个开源的Jev替代项目在README里也承认了同样的问题：“字母的份额是一个带置信度缺口的排名，不是校准过的概率。”
另一个项目说得更直接：“概率是归一化的候选标签分数，不是已建立的真实世界正确性估计。”
这就怪了。一个决策系统，输出概率，但概率不是校准的。那用户拿到一个“0.87”，该信还是不该信？
开源Jev有几十个，但这个的差异点只有一个
搜索“Jev 开源替代”会看到一堆项目。
openjev跑在DiffusionGemma上，通过vLLM提供和Jev兼容的API。mini-jev是一个预注册实验，对比“读选项字母的logits”和“生成JSON”哪个更准。jevlike是一个从零搭的选项评分器。还有一个叫Open Alternative to Jev的项目，用打包共享状态的方式做并行决策。
Nimble和它们最大的区别是：它发布了一个微调过的模型，而不是一个推理框架。
其他项目都在做同一件事：拿一个现成的开源模型，用一种聪明的方式读它的输出，然后说“这就可以当Jev用”。它们不训练，只推理。
Nimble训练了。用LoRA微调了Qwen3.5-9B，而且发布出来了。
所以Nimble的评测数字是它自己的模型的数字，不是“拿Qwen3.5-4B读logits”的数字。它的90.12%是微调后的成绩，不是任何开源模型即插即用的成绩。
这是它的核心资产，也是它的局限。
用两天建的东西，边界比你想的多
Bespoke Labs说“我们一天之内建好了Nimble”。
这既是优点也是警告。
优点是速度快，说明流程可复现、工具链成熟。警告是，一天建好的东西，边界可能比你想的多。
Nimble只能处理文本，不能判断图片。模式必须是扁平的，没有嵌套字段。每个枚举字段最多26个选项。每个提示最多2048个token，超了直接拒绝。
最要紧的是：每个字段单独评分，一个字段看不到另一个字段的答案。
这意味着如果你的决策逻辑是“如果A是true，那B应该是false”，模型不会帮你检查这个一致性。你得在自己的代码里做。
有人问了一个很实际的问题：“Nimble的评测停留在QA任务上，还是也在技能/工具分类上和Jev做了对比？”
没有人回答这个问题。
90%的准确率，但只有324道题
Nimble的评测集有324条，来自6个源家族。训练集覆盖10个类别，但留出集只覆盖了6个。
324条样本能说明什么？能说明微调有效果，不能说明泛化能力有多强。
Bespoke Labs自己在README里写了一句话：“所有标签都是合成的。模型检查了它们，没有人复审。同一模型的不同调用可能犯同样的错误，检查可能漏掉一些错误。”
翻译：评测的“正确答案”本身可能是错的。
这不是Bespoke Labs独有的问题。整个Jev生态都在面对同样的困境。有人建了一个叫jev-benchmarks的项目，专门做“概率感知的评测”——不只看选对没有，还看概率是否校准、在固定错误预算下能自动处理多少任务。
但Nimble的评测没有做这些。它做的是“参考匹配数”，也就是答案对不对。概率质量、选择性自动化、失败拓扑——这些更深入的问题没有被测量。
有人在回复里一针见血：“杀手级产物是失败拓扑，不是那个90%。发布置信度在哪个类别上崩了，这样路由器才知道什么时候该升级而不是盲目信任一个聚合分数。”
Nimble没有发布这个。
回到你的MacBook，事情变了吗
Nimble确实能在MacBook上跑。
MLX路径支持苹果芯片，CUDA路径支持BF16的NVIDIA GPU。Mac上ParallelScorer会预处理一次共享上下文，然后并行评分所有字段。CUDA上每个字段单独评分，每次都用完整提示。
在M5 Pro 64GB上，324条样本的中位延迟是444毫秒。在H100上，同样的评估中位延迟降到106毫秒。Jev API的中位延迟是246.7毫秒。
“在H100上100毫秒，在你的MacBook上免费用。免费感受AGI。”Mahesh在发布帖里这样写。
但那个“免费感受AGI”的前提是，你接受一个9B模型做出的判断，它的概率没有校准，它的评测集只有324条，它的训练数据是合成的。
这不一定是个坏交易。对于很多场景——工单分级、简单路由、内容分类——你不需要Jev级别的校准，你只需要一个比“拿Qwen硬生成JSON”更好的方案。
Nimble比那个方案好。它快、免费、本地、类型化输出。
但它不是Jev。它是一个用两天时间、在特定领域合成数据上微调出来的9B分类器，带了一个概率输出的外观。
有人问了一个问题，没有人回答：这个对比式数据策划的配方，出了Jev的任务家族之外，还能不能迁移？
如果你打算用它，你最好自己回答这个问题。
模型：https://huggingface.co/bespokelabs/Bespoke-Nimble-9B