U2 Decision

为可靠决策而生

结构化判定、毫秒返回，为高频判断场景输出可靠决策

U2 Decision是云知声正式上线并开源的企业级决策大模型（4B），定位于多模型、多 Agent、多工具协作中的决策层，围绕「任务交给谁、任务能否执行、任务沿什么路径完成」三个问题，提供智能模型路由、安全决策与工作流路由三项核心能力。它不生成自然语言，直接输出带概率与置信度的结构化判定（choice / probabilities / confidence），毫秒级返回、token 开销极小，接口兼容 Jev 生态，可无缝接入现有 Agent 与工作流。

核心亮点

决策专用架构

跳过自回归解码，直接读取候选 token 的 logit 输出判定概率。返回即 JSON，无围栏无多余文本，毫秒级响应，token 开销极小，适合高频调用。

智能模型路由

按任务、复杂度、风险、能力、成本与时延五维感知，让每个任务都跑在合适的模型与路径上。

安全即决策

高危拦截、风险分级、低置信度弃权转人工、全程审计留痕——安全内生于每次判定，而非事后过滤。

工作流路由

从「调用哪个模型」扩展到「采用什么执行路径」：模型、Agent、工具、检索增强与结果验证按需组合，简单任务直接回答，复杂任务分步核验。

关键信息

输入模态

文本 / JSON + 类型化问题

输出模态

结构化判定（含概率与置信度）

模型规模

4B

接口协议

Jev-compatible

决策类型

Choice / Score / 概率

快速接入

快速开始

查看如何注册、实名认证、获取 API KEY

开源仓库

GitHub 获取模型权重、代码与部署文档

API 接入

查看完整请求参数、响应字段等信息

详细介绍

DecisionBench 多维基准评测：通用任务准确率 91.5%、安全合规准确率 99.6%、路由一致性 0.6，对比 Jev 与 Kev-4B 三项核心指标均取得相对最优。

DecisionBench · 核心指标 01

通用任务准确率

91.5%

能否作出准确判断——与 Jev、Kev-4B 对比取得相对最优

DecisionBench · 核心指标 02

安全合规准确率

99.6%

能否守住安全边界——与 Jev、Kev-4B 对比取得相对最优

决策模型架构

让 LLM 做判断的常见做法是把规则写进 prompt 里让它输出 JSON——易被诱导、解析不稳、token 开销大。U2 Decision 的做法是构建专用决策模型：不生成文本，直接读取候选答案的 logit 输出概率分布，判定标准以结构化 criteria 传入，返回即可被代码直接消费的类型化答案。

1.LLM Logit Readout：跳过自回归解码，直接读取候选 token 的 logit，对选项逐一打分并归一化为概率，单 token 完成一次判定，接口兼容 Jev-compatible 协议；

2.Encoder + Decision Head：面向分类、评分等标准判定任务，主干编码器配合决策头直接输出 P(choice|x)，毫秒级返回；

3.LLM Decision Fine-tuning：在通用 LLM 基座之上做决策专项微调，把判定能力注入模型内部；

4.RLCD 校准训练：以 ECE / Brier Score 为目标优化置信度质量，让模型知道自己拿不准，为自动执行与转人工分流提供依据。

依托这套架构，U2 Decision 一次调用即可并行判定多个类型化问题（Choice / Score / 概率），答案按问题 ID 原样返回 choice、probabilities、confidence 三个字段，Agent 与工作流可直接分支、排序、路由，token 开销远低于让对话模型顺手判一下。

五维智能路由

路由不是简单的模型分发，U2 Decision 把每次请求建模为五维决策问题：Policy = f(Task, Complexity, Risk, Capability, Cost, Latency)。

  • Task-aware：识别 Coding / Reasoning / Writing / Search / Data Analysis / Medical / Agent 等任务类型，按任务选择最优模型；
  • Complexity-aware：评估任务复杂度，简单任务不进大模型；
  • Risk-aware：评估请求风险等级，高风险走更强校验链路；
  • Capability-aware：基于 Model Capability Profile 匹配模型能力画像；
  • Cost/Latency-aware：在满足质量的前提下优化 token 成本与端到端延迟。
  • 路由边界持续扩展：从 Model Router（模型 A vs 模型 B），到 Decision Router，再到覆盖 Model → Agent → Tool → RAG → Verification 全链路的 AI Execution Router。

工作流路由

选定模型之后，任务也未必能靠一次调用完成。以出行规划为例：系统需要查询实时信息、比较多个选项、核对退改规则，涉及预订和付款时，还需在关键节点停下来请用户确认。

U2 Decision 将决策范围从「调用哪个模型」扩展到「采用什么执行路径」：模型、Agent、工具、检索增强与结果验证可按任务需要组合——简单任务直接回答，复杂任务分步执行，并在必要节点核验。这也是它与一般模型选择器的区别：不只是从 A、B、C 中选出一个模型，还关心任务是否该继续、下一步该走向哪里。

安全决策与开放生态

Safety is a decision, not merely a filter——安全不是挂在链路外的过滤器，而是每一次判定的一部分：

1.安全决策：高危内容拦截、高/低风险分级处置、低置信度 Abstention 弃权转人工、全流程审计留痕；

2.开放共建：以 Open Decision Model Stack 开源模型、数据与 Benchmark，组件含 Uni-Decision / Uni-Router / Uni-Safety / DecisionBench / Decision Dataset。

任务 → 决策 → 执行 → 反馈 → 数据 → 再训练

路线图：2026 Q4 Uni-Decision 4B 已正式上线并开源（GitHub: Unisound-LLM/u2_decision_4b），同步发布 DecisionBench 与 General / Safety / Routing 数据集及 Router SDK；2027 H1 增强 Calibration / Abstention / Risk-aware Routing；2027 H2 扩展至 Agent / Workflow Routing，与 Harness 深度集成，形成完整的企业 AI Decision Layer。

灵活计费，专属方案，私有化部署