chinese-decision-unified-2b

一份权重，两种读出：中文概率决策 + 类型化信息抽取（2B 版）

GitHub 代码 · 测试平台 Decision Studio · chinese-decision-unified-0.8b · chinese-decision-unified-4b · 基础模型 Qwen3.5-2B · 训练数据 CJ-Dataset · 评测集 CJ-Bench

The 2B member of the unified Chinese Decision family: one weight file, two readouts. Given a context and candidates it returns a probability per candidate (noul / choice / score decisions); given a text and entity types (name + description) it returns typed character spans with positions and probabilities. Trained from raw Qwen3.5-2B with exactly the recipe of the chinese-decision-unified-0.8b model. On the full CJ-Bench (307,900 items, T = 1) it reaches 85.00% (chinese-decision-unified-0.8b: 83.46%, chinese-decision-2b: 84.11%); on the CJ-IE test set its span-extraction micro F1 is 66.0 (chinese-decision-unified-0.8b: 63.1).

模型系列

这是统一模型系列的 2B 版本，和 chinese-decision-unified-0.8b用同一套训练配方、同一种模型结构、同一套 CJ-IE 数据，只有底座大小不同。想了解模型结构、请求怎么选择任务、类型怎么写，0.8B 的模型卡写得更详细：Hugging Face · ModelScope。

只做决策、不需要抽取时，还有纯决策版：chinese-decision-0.8b · chinese-decision-2b · chinese-decision-4b。统一 2B 的决策准确率反而高于chinese-decision-2b（85.00% 对 84.11%），所以需要 2B 精度时，直接用统一版即可，决策和抽取一份权重都有。

简介

统一模型在同一份权重里提供两种读出，由请求的形状决定走哪一种：

• 请求带 questions → 决策：读最后位置上候选字母 A–Z 的 logits，softmax 后即为概率。
• 请求带 types → 抽取：把原文逐字回显一遍，在每个字符位置上给跨度分类，合成带位置和概率的实体。

两者共用同一个骨干和同一组 LoRA 参数（训练后合并），只有最后的读出层不同；都是一次前向，不生成文本。事件抽取和关系抽取是在这两种读出之上的组合：先用是/否问题判断事件类型、再抽触发词和论元；给定主体、抽客体。模型结构见上方的架构图和统一模型设计说明。

模型信息

文件说明

快速开始

安装依赖

决策读出可以直接用 transformers；抽取读出需要本项目的 decision 包（跨度头的代码在里面）：

pip install "chinese-decision[torch] @ git+https://github.com/yanqiangmiffy/chinese-decision.git@main"

推荐同时安装 flash-linear-attention，它为 Qwen3.5 的线性注意力层提供高效 kernel：

pip install "flash-linear-attention>=0.4"

下载模型

Hugging Face：

hf download quincyqiang/chinese-decision-unified-2b --local-dir chinese-decision-unified-2b

ModelScope：

modelscope download --model quincyqiang/chinese-decision-unified-2b --local_dir chinese-decision-unified-2b

调用方式

模型可以本地加载（DecisionPipeline），也可以起一个 HTTP 服务调用。两种方式的请求格式相同，请求里带什么字段，就做什么任务：

两组都带时 text 可以省略，默认取 state。输入较短时（一个问题时大约 1,000 字以内，问题越多这个长度越短），两种读出在同一次前向里完成：A800 上一个这样的请求约 50 ms，分开发两次约 95 ms。输入更长时自动拆成两次前向，结果不变。

本地加载

分开调用：决策和抽取各发一个请求。

from decision import DecisionPipeline

pipe = DecisionPipeline.from_pretrained("chinese-decision-unified-2b", device="cuda")  # 没有 GPU 时用 "cpu"

# 带 questions → 决策
pipe({
    "state": "客户留言：付款后一直没有收到发票，我已经催了三次，今天必须拿到。",
    "questions": {
        "urgent": {"type": "noul", "instructions": "客户是否表达了紧迫性？"},
        "department": {"type": "choice", "instructions": "应该由哪个部门处理？",
                       "criteria": {"billing": "支付、发票及退款", "technical": "故障和系统问题", "sales": "购买咨询与升级"}},
    },
})

# 带 types → 抽取：每个类型是 “名称: 说明”
pipe({
    "text": "收货地址：浙江省杭州市西湖区文三路90号东部软件园科技大厦A座1203室，联系人王小明。",
    "types": {
        "省份": "省级行政区划,省、自治区、直辖市,不含港澳台",
        "城市": "地级行政区划,地级市、地区、自治州等",
        "区县": "县级行政区划,市辖区、县级市、县等",
        "道路": "有正式名称的道路,包括隧道、高架、街、弄、巷等. 步行街、商业街、统一标注为道路,除非地图上明显表明是 兴趣点类别(只有一栋楼);xx 路段、xx 路南段等整体 为道路",
        "门牌号": "路号,如'000号'或'000弄',通常位于道路名称之后",
    },
    "threshold": 0.3,   # 可选：只保留概率不低于它的实体
})

输出（CPU 上运行，概率保留 4 位；GPU 上末位会有细微差异）：

{'task': 'decision', 'answers': {
    'urgent':     {'false': 0.2088, 'true': 0.7912},
    'department': {'billing': 0.9531, 'technical': 0.0083, 'sales': 0.0386}}}

{'task': 'extraction', 'entities': [
    {'text': '浙江省', 'label': '省份',   'start': 5,  'end': 8,  'score': 0.9998},
    {'text': '杭州市', 'label': '城市',   'start': 8,  'end': 11, 'score': 0.9928},
    {'text': '西湖区', 'label': '区县',   'start': 11, 'end': 14, 'score': 0.9887},
    {'text': '文三路', 'label': '道路',   'start': 14, 'end': 17, 'score': 0.9974},
    {'text': '90号',  'label': '门牌号', 'start': 17, 'end': 20, 'score': 0.6332}]}

一次请求同时决策和抽取：questions 和 types 放进同一个请求。

result = pipe({
    "state": "客户留言：我叫张伟，上周在杭州的苏宁易购门店买了空调，付款后一直没有收到发票，已经催了三次，今天必须拿到。",
    "questions": {
        "urgent": {"type": "noul", "instructions": "客户是否表达了紧迫性？"},
        "department": {"type": "choice", "instructions": "应该由哪个部门处理？",
                       "criteria": {"billing": "支付、发票及退款", "technical": "故障和系统问题", "sales": "购买咨询与升级"}},
    },
    # 省略 text：从 state 里抽取
    "types": {"人名": "人物的姓名", "地名": "地名或地理政治实体，如省、市、区县", "公司": "企业名称"},
    "threshold": 0.3,
})

department = result["answers"]["department"]
print(max(department, key=department.get))                     # billing
print([(e["label"], e["text"]) for e in result["entities"]])   # [('人名', '张伟'), ('地名', '杭州'), ('公司', '苏宁易购')]

输出（A800 上运行，概率保留 4 位）：

{'task': 'decision+extraction',
 'answers': {
    'urgent':     {'false': 0.215, 'true': 0.785},
    'department': {'billing': 0.9668, 'technical': 0.0032, 'sales': 0.03}},
 'entities': [
    {'text': '张伟',     'label': '人名', 'start': 7,  'end': 9,  'score': 0.9314},
    {'text': '杭州',     'label': '地名', 'start': 13, 'end': 15, 'score': 0.8552},
    {'text': '苏宁易购', 'label': '公司', 'start': 16, 'end': 20, 'score': 0.9384}]}

answers 是每个候选项的概率，已按 decision_config.json 的温度校准；本地调用不附带 choice 字段，取概率最大的候选即可。start / end 是字符下标（左闭右开）。threshold 可选，只保留概率不低于它的实体。两组字段都没有会报 ValueError。

也可以不拼请求，直接调方法：

pipe.decide(state, questions)                                          # {问题名: {候选: 概率}}
pipe.extract(text, types, threshold=0.3)                               # [实体, ...]
pipe.decide_and_extract(state, questions, text, types, threshold=0.3)  # (决策概率, 实体)

只做决策时，AutoModelForCausalLM.from_pretrained(path) 也能加载本模型，span_head.* 会被报告为未使用的权重，不影响结果。抽取读出不在 GGUF / llama.cpp 里，只能走 PyTorch。

HTTP 服务

项目仓库的 scripts/serve_unified.py 把同一份权重做成一个服务（--name 是响应里的模型名）：

python scripts/serve_unified.py --model chinese-decision-unified-2b --name chinese-decision-unified-2b --port 8011

/v1/decide 和 /v1/extract 会忽略不属于自己的字段，要同时做两件事，请发到 /v1/predict。

一次请求同时决策和抽取：

curl http://127.0.0.1:8011/v1/predict -H 'Content-Type: application/json' -d '{
  "state": "客户留言：我叫张伟，上周在杭州的苏宁易购门店买了空调，付款后一直没有收到发票，已经催了三次，今天必须拿到。",
  "questions": {
    "urgent": {"type": "noul", "instructions": "客户是否表达了紧迫性？"},
    "department": {"type": "choice", "instructions": "应该由哪个部门处理？",
                   "criteria": {"billing": "支付、发票及退款", "technical": "故障和系统问题", "sales": "购买咨询与升级"}}
  },
  "types": {"人名": "人物的姓名", "地名": "地名或地理政治实体，如省、市、区县", "公司": "企业名称"},
  "threshold": 0.3
}'

返回（A800 上运行，概率保留 4 位）：

{
  "task": "decision+extraction",
  "model": "chinese-decision-unified-2b",
  "answers": {
    "urgent": {"type": "noul", "probabilities": {"false": 0.215, "true": 0.785}, "confidence": 0.57, "noul": 0.785},
    "department": {"type": "choice", "probabilities": {"billing": 0.9668, "technical": 0.0032, "sales": 0.03},
                   "confidence": 0.9502, "choice": "billing"}
  },
  "text": "客户留言：我叫张伟，上周在杭州的苏宁易购门店买了空调，付款后一直没有收到发票，已经催了三次，今天必须拿到。",
  "entities": [
    {"text": "张伟", "label": "人名", "start": 7, "end": 9, "score": 0.9314},
    {"text": "杭州", "label": "地名", "start": 13, "end": 15, "score": 0.8552},
    {"text": "苏宁易购", "label": "公司", "start": 16, "end": 20, "score": 0.9384}
  ],
  "latency_ms": 54.9
}

HTTP 的决策答案比本地调用多几个字段：choice 是概率最大的候选（choice 题）；noul 是“是”的概率（noul 题）；score 是按概率加权的分数，附带 legend（score 题）。confidence = (k × 最大概率 − 1) / (k − 1)，k 是候选数：均匀分布为 0，完全确定为 1。它衡量的是分布有多集中，不是准确率。

同样的请求用 Python：

import requests

body = {
    "state": "客户留言：我叫张伟，上周在杭州的苏宁易购门店买了空调，付款后一直没有收到发票，已经催了三次，今天必须拿到。",
    "questions": {
        "urgent": {"type": "noul", "instructions": "客户是否表达了紧迫性？"},
        "department": {"type": "choice", "instructions": "应该由哪个部门处理？",
                       "criteria": {"billing": "支付、发票及退款", "technical": "故障和系统问题", "sales": "购买咨询与升级"}},
    },
    "types": {"人名": "人物的姓名", "地名": "地名或地理政治实体，如省、市、区县", "公司": "企业名称"},
    "threshold": 0.3,
}
out = requests.post("http://127.0.0.1:8011/v1/predict", json=body, timeout=30).json()

print(out["answers"]["department"]["choice"])                 # billing
print(out["answers"]["urgent"]["noul"])                       # 0.785
print([(e["label"], e["text"]) for e in out["entities"]])     # [('人名', '张伟'), ('地名', '杭州'), ('公司', '苏宁易购')]

只决策或只抽取：去掉另一组字段即可，发到 /v1/predict 或对应的专用接口都行。

# 只决策
curl http://127.0.0.1:8011/v1/decide -H 'Content-Type: application/json' -d '{
  "state": "客户留言：付款后一直没有收到发票，我已经催了三次，今天必须拿到。",
  "questions": {"department": {"type": "choice", "instructions": "应该由哪个部门处理？",
                               "criteria": {"billing": "支付、发票及退款", "technical": "故障和系统问题", "sales": "购买咨询与升级"}}}
}'

# 只抽取
curl http://127.0.0.1:8011/v1/extract -H 'Content-Type: application/json' -d '{
  "text": "华为公司董事长梁华在深圳会见了腾讯游戏负责人。",
  "types": {"人名": "人物的姓名", "公司": "企业名称"},
  "threshold": 0.3
}'

这个服务同时兼容 scripts/serve_gpu.py 的决策接口：POST /v1/systemone（?debug=1 附带 logits）、/api/alpha/decisions、/v1/batch、/v1/compile、/v1/tournament，以及 /health、/v1/info（没有训练进度和热更新）。所以只部署它一个就够了：测试平台 Decision Studio 把 DECISION_BASE_URL 指向它，实验台、场景库、评测、压测、鲁棒性和“抽取”模式都能用，不需要再部署纯决策服务。

类型怎么写

类型的“说明”比类型名重要得多。 训练时每个类型都带一句来自语料标注规范的定义，模型学到的是“按定义找”，而不是“按名字猜”。

• 用训练时的说明。 召回最高；可以从 Decision Studio 实验台的“换成训练时的类型组”开始，名称保持原样、说明按业务微调。
• 只写类型名或写一句很短的话，相近类型分不开，召回明显下降。至少写一句定义，包括边界（什么不算）。
• 没有定义的类型，CJ-IE 测试里 F1 为 0。 military_ner 的 4 个类型名称和说明相同，2B 和 0.8B 都一个没预测。
• 训练里没出现过的新类型，基本抽不出来，或很不稳。上线前一定在自己的数据上测。
• 关系：主体固定，类型名写成“{主体}的{关系}”，说明写客体类型，抽出的跨度就是客体。事件：先对每个事件类型问一个是/否问题，再对过门槛的事件用“触发词 + 角色”抽取论元。

Studio 里的 39 条案例和两个流水线场景（每条都记录了成功和失败）是在 0.8B 上逐条测的，2B 没有逐条重测；大致规律以 0.8B 模型卡的说明为准，2B 的整体抽取指标见下文。

评测结果

决策：CJ-Bench 全量

在 CJ-Bench 全量测试集（307,900 条）上评测本仓库发布的合并权重（Transformers，BF16）。概率使用 T = 1（不做温度校准），候选项保持原始顺序；温度不改变选出的答案，所以准确率不受影响。chinese-decision-2b 一列的 ACC 是发布权重的结果（与 README 一致，ACC 不受温度影响）；它的 ECE 和 NLL 取自同一模型在 T = 1 下的评测，和其余两列口径一致。

校准（T = 1，15 个等宽分箱，ECE 单位 %）与 hard NLL：

整体（T = 1）：分布 NLL（含软标签）0.3881、Brier 0.2016，score 题期望等级 MAE 0.5508；完整指标见 cj_bench_report.json。

发布的 T = 1.0617 在 CJ-Dataset 的独立校准划分上拟合（1,984 条硬标签样本）。它在 CJ-Bench 上的整体指标没有重新跑，上面的 ECE 都是 T = 1。法律和金融样本少（4,300 / 3,600 条），这两个领域的 ECE 波动较大，本模型在这两个领域的 ECE 并不比 chinese-decision-unified-0.8b好。ACC 和 ECE 只在硬标签样本上计算。与 Jev、Chinese-Jev 等外部基线的对比见 chinese-decision-0.8b 模型卡。

决策：CJ-IE 测试集（抽取相关的分类任务）

CJ-IE 的测试集由各语料的官方 dev / test 构成，做过去泄漏，是内部评测集，不是公开基准。决策任务共 84,894 条，整体准确率 91.30%（chinese-decision-unified-0.8b：90.65%），ECE 0.57%，hard NLL 0.253：

旧能力保持（CJ 老来源 3,032 条）：91.88%（chinese-decision-unified-0.8b：91.51%）。

抽取：CJ-IE 测试集

精确匹配（起止位置 + 类型都对才算对），35 个来源共 232,291 个标注跨度：

判定阈值（2026-10-31 更新）。 上表和下面的逐来源表都按发布时的解码方式计算：用 none_shift = log 5 判定哪些跨度算实体。这个值让输出的概率保持校准，但判定门槛偏高、召回偏低。现在 decision_config.json 增加了 decision_shift = 0.75（在 CJ-IE dev 上按 F1 选出，test 只报一次）：概率仍按 none_shift 计算，是否输出某个实体按 decision_shift 判定。默认推理下，CJ-IE test 的 micro P / R / F1 从 75.4 / 58.6 / 65.9 变为 68.6 / 66.0 / 67.3，实体 ECE 从 1.8% 变为 2.3%。想要原来的高精确率，可以在加载后把 config.extraction.decision_shift 设成 None。详见扫描报告。

35 个来源里有 30 个比 chinese-decision-unified-0.8b好，涨幅最大的是 Weibo（+15.3）、Boson（+12.0）、math_high（+10.3）、CMeIE（+8.4）、DuIE（+8.1）。提升大部分来自召回（+3.1），精确率也涨了约 2 点。模型仍然偏保守：精确率明显高于召回率。

按类型看，样本数不少于 400 的 127 个类型里，F1 ≥ 80 的有 35 个，50 到 80 的有 62 个，低于 50 的有 30 个。最稳的是地址的省份（99.1）、门牌号（97.3）、城市（96.0）和人名（约 94.5）；FewFC 的 number、ruijinmcc 的“病因”、CMeIE 的“病理分型”和“辅助治疗”等类型 F1 为 0。跨度超过 20 字或落在英文单词里、模型表示不了的实体只占 0.59%（1,371 个），不是瓶颈。

说明：类型名称和定义在不同语料上统一成了 B2NERD 的标准化中文标签，测试时每个类型都给了训练里见过的标准说明，所以这是最好情况，换成自己写的说明或全新类型会更低；与各语料的公开榜单数字不能直接比较。完整的逐来源、逐类型指标（含实体 ECE）见 cj_ie_test_report.json，数据构成见 CJ-IE 数据说明。

训练细节

配方与 chinese-decision-unified-0.8b完全相同，只有两处因为模型更大而不同：每个 micro-batch 的 token 上限降为一半（2B 每个 token 的激活更大），因此总步数更多。

开发集上的曲线在第 14,000 步之后基本走平（综合分 0.795、0.796、0.799），说明这个训练量下已经收敛。训练前（第 0 步）的原始 Qwen3.5-2B 在 CJ 开发集上准确率为 45.2%，抽取 F1 约为 0，作为基线。训练、评测与导出脚本见 GitHub 仓库，为什么从原始底座训练见 统一模型与遗忘修复。

局限性

• 抽取召回偏低：CJ-IE 测试集上 micro F1 66.0，精确率 75.4、召回率 58.6。边界要求精确匹配，实体边界的细小差异也算错。
• 说明的写法影响很大：只写类型名、没有定义的类型，或训练里没出现过的新类型，效果会明显下降，甚至一个都抽不出（military_ner）。上线前请在自己的数据上用自己的类型测一遍。
• 某些领域和关系较弱：社交媒体（Weibo 召回 38.5%）、多类型细粒度语料（MultiCoNER2）、医学关系（CMeIE，召回 27.1%）；事件里带方向的角色会串（0.8B 上的观察）；ee_category（事件大类）比 chinese-decision-unified-0.8b低 1.2 个点。
• 通用模型不如专项模型：同一份 CLUENER 官方 dev（1,343 句），之前只用 4,000 句 CLUENER 专门训练的实验 F1 是 78.7，统一 2B 是 62.5。只需要一套固定标签的 NER 时，专项模型会更准；统一模型的价值在于一份权重覆盖多种任务和多套类型。
• 不支持意图 + 槽位填充：训练里没有槽位数据。意图用决策读出，槽位用抽取读出，需要自己级联并自己评测。
• 抽取表示能力有限：跨度最宽 20 个字；边界落在英文单词内部的实体表示不了；文本较长时请自己按句切窗（训练时 ≤ 300 字）。
• 只能用 PyTorch 抽取：GGUF / llama.cpp 版本没有跨度头，只有决策读出。
• 比 0.8B 更大更慢：约 2.4 倍参数，3.8 GB 权重；对延迟或显存敏感时，chinese-decision-unified-0.8b是更轻的选择。
• 法律和金融训练数据仍然很少（各约 24,000 条），score 题型最弱（CJ-Bench 58.91%）；法律和金融的 ECE（T = 1）也不如 chinese-decision-unified-0.8b。
• confidence 不是准确率，温度只在 CJ-Dataset 的校准划分上拟合；按概率阈值自动执行前，请先在自己的数据上验证。
• CJ-IE 测试集是内部评测集，类型已经标准化，数字不能和各语料的公开榜单直接比较。
• 标签含义来自上游任务，请勿将输出作为医疗、法律或金融决策的唯一依据；不用于文本生成，generate() 的输出没有意义；仅支持中文。

许可证

• 模型权重：Apache-2.0，继承自基础模型 Qwen3.5-2B（LICENSE 为其原文）。
• 训练数据：CJ-Dataset、CJ-Bench 以及 CJ-IE 所用的 NER / 关系 / 事件语料，许可按数据来源分别适用，其中部分来源为非商业许可或许可不明。本模型不授予任何数据层面的额外权利，商业使用前请自行评估。CJ-IE 本身没有随模型发布，构建方法见 CJ-IE 数据说明。
• 代码：推理、训练与评测代码以 MIT 许可证发布，见 GitHub 仓库。

致谢

• Chinese-Jev：CJ-Dataset、CJ-Bench 与评测口径。
• n4ze3m/hmm：选项字母决策目标、候选项格式与 System One 响应约定。
• B2NERD 等中文 NER / 关系 / 事件语料：抽取训练数据的来源。
• Qwen3.5-2B：基础模型。

引用

@misc{chinese-decision-2026,
  title        = {Chinese Decision: A Lightweight Chinese Probabilistic Decision Model},
  author       = {yanqiangmiffy},
  year         = {2026},
  howpublished = {\url{https://github.com/yanqiangmiffy/chinese-decision}}
}

如果使用了 CJ-Dataset 或 CJ-Bench，请同时引用 Chinese-Jev：

@misc{wang2026chinesejev,
  title         = {Chinese-Jev: Bringing System One Model to Chinese-Language Tasks},
  author        = {Wang, Zexiao and Zhang, Zihao and Wang, Xudong and Wang, Pan and Ye, Ziyi and Zhao, Haoyu and Wu, Zuxuan and Yan, Shuicheng},
  year          = {2026},
  eprint        = {2609.36965},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL}
}