【免费下载链接】JEV-9B
JEV-9B 是一款集成 System 1 + System 2 的开源决策模型，2026 年 10 月更新后能读取相机图像：把画面喂进去，用一次前向传播（约 0.2 秒）就能给出每个动作的概率，直接驱动机械臂完成抓取与放置——这是一个非常典型的视觉决策应用。本文带你从零看懂它的原理、三步跑通演示，并给出实测效果数据。
🤖 JEV-9B 是什么：一个能"看"的决策模型
JEV-9B 基于 Qwen3.5-9B 搭建，核心卖点是同一套权重同时提供两种"思考方式"：
| 系统 | 作用 | 特点 |
|---|---|---|
| System 1（快思考） | 输出校准过的概率分布 | 一次前向传播搞定，无需逐字解码 |
| System 2（慢思考） | 正常的文本生成与推理 | 完整保留 Qwen3.5-9B 的生成能力 |
2026 年 10 月的更新让 JEV-9B 多模态：由于它的语言权重与 Qwen3.5-9B 完全一致，官方直接用未改动的多模态 Qwen3.5-9B（自带视觉编码器）+ JEV-9B 的 System 1 适配器来提供服务。于是"相机图像进、动作概率出"的闭环就成了现实。相关权重见 vl/adapter_vllm/。
🎯 从相机图像到机械臂动作：核心原理
一个"快视觉评委"，而不是端到端控制器
作者最初尝试让模型直接从 8 个电机命令里挑一个（左移、右移、下放、抓取……），但效果不佳。结论是：JEV-9B 是一个快速的视觉评委，而不是端到端的控制器——它擅长"看图做判断"，不擅长"一步到位输出控制量"。
于是改用更聪明的视觉伺服（visual servoing）二分策略，让 System 1 每步只回答两个二选一问题：
- 目标在夹爪的左边还是右边？（left / right）
- 目标在夹爪的上方还是下方？（above / below）
关键技巧：每当某个方向的回答发生翻转，该轴的移动步长就减半（二分逼近）；连续三次同向则把步长翻倍。步长缩小到 0.04 以内后，还会给夹爪正下方区域加一张 2.5 倍放大图辅助精定位。
抓取放置的完整流程
整套逻辑分两个阶段，全部由 System 1 的"二选一"决策驱动：
- 阶段一 · 移到方块上方：以夹爪在地面的投影（顶视图里的黑点）为参考，二分逼近目标方块正上方。
- 阶段二 · 移动到托盘上方：抓起方块后，以夹爪为参考，把"黄色托盘"当作目标，再次二分逼近，然后松爪释放。
每一步只读顶视相机，决策约 165 ms，无需任何解码过程。完整实现见 vl/demos/robot_arm.py。
🚀 快速上手：3 步跑通机械臂抓取放置
前提：一台带 GPU 的 Linux 机器，已安装
huggingface_hub与 MuJoCo 渲染依赖。
Step 1 — 下载视觉模块
hf download autotrust/JEV-9B --include "vl/*" --local-dir JEV-9B
Step 2 — 启动决策服务
bash JEV-9B/vl/serve.sh
该脚本会自动拉取多模态 Qwen3.5-9B（含视觉编码器），并在 :8000 同时服务 System 1（POST /v1/decide）与 System 2。脚本见 vl/serve.sh，决策入口见 vl/serve_decide.py。
Step 3 — 运行机械臂演示
MUJOCO_GL=glfw DISPLAY=:99 python3 JEV-9B/vl/demos/robot_arm.py run2 20
跑 20 个随机场景，控制台会实时打印每个场景的决策次数、成功率与延迟，结果落盘到 arm2_results.json。
📊 效果实测：MuJoCo 仿真里的抓取与放置
演示在 MuJoCo 中运行：桌上有三个彩色方块 + 一个黄色托盘，机械臂需抓起指定颜色的方块并投入托盘。实测要点：
| 指标 | 结果 |
|---|---|
| 随机场景数 | 20 |
| 任务完成 | 10 / 20 |
| 抓取成功者去向 | 全部落入托盘（无夹错、无丢件） |
| 失败原因 | 抓取时定位偏离目标 3–5 cm |
| 单次决策延迟 | 约 165 ms |
解读：模型"抓到的都放对了"，失败集中在初始定位精度（差 3–5 cm 就抓空），说明 System 1 的视觉判断可靠，瓶颈在几何精度而非决策逻辑。完整逐场景数据见 reports/vl/robot_arm.json。
演示视频可本地查看：videos/robot_arm_pick_place.mp4
🖥️ 顺带一提：它还能"用电脑"
同一套 System 1 视觉决策能力，也被用在计算机操作上：给真实浏览器截图 → 给每个可点击元素编号 → System 1 选出下一步点哪个（或"任务完成"）→ 循环。在无文字的色块、开关等场景下依然靠纯截图决策，60 个随机多步任务完成率 95%（详见 reports/vl/computer_use.json）。
📁 关键文件速查
| 文件 | 说明 |
|---|---|
| vl/demos/robot_arm.py | 机械臂抓取放置演示（含二分视觉伺服逻辑） |
| vl/serve.sh | 一键启动多模态决策服务 |
| vl/serve_decide.py | POST /v1/decide 决策入口 |
| vl/adapter_vllm/ | System 1 适配器（vLLM 版，含决策头） |
| vl/calibration.json | 按类型的温度校准参数 |
| reports/vl/ | 图像类评测：robot_arm、computer_use、vl_rewardbench 等 |
| videos/ | 机械臂与计算机操作演示视频 |
✅ 小结
- 一次前向传播 = 一个 System 1 决策，图像进、概率出，约 0.2 秒/步。
- 让快模型看图做二选一判断（而非一步出控制量），再用二分视觉伺服驱动机械臂，是这套方案能跑通的关键。
- 实测"抓到的都放对"，瓶颈在几何精度，非常适合当作轻量视觉评委嵌入更复杂的控制回路。
提示：JEV-9B 的 System 1 面向的是"快速、校准的概率判断"，用于高可靠任务时建议叠加置信度门控，把低置信样本交给 System 2 或人工复核。
【免费下载链接】JEV-9B
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
