# pjev-2b: локальная модель для выбора из заданных вариантов

Источник: https://modelium.tech/zhurnal/pjev-2b-local-typed-decisions-letter-logits/

28 сентября 2026 года Kailune-AI загрузила pjev-2b — объединённые веса модели для решений по заданным вариантам на базе MiniCPM5-2B. Модель выдаёт распределение по буквенным вариантам из логитов одного шага; это не готовый чат-ассистент. Два шарда весов доступны под заявленной Apache-2.0, однако показанный в карточке путь /v1/systemone отсутствует в штатном vLLM 0.30.0: для такого API нужен отдельный обработчик. Авторские оценки получены на публичной части JevBench и не подтверждены независимым тестом Modelium.

pjev-2b: локальная модель для выбора из заданных вариантов

28 сентября 2026 года Kailune-AI разместила на Hugging Face pjev-2b. Это модель для **типизированных решений**, а не обычная диалоговая модель: ей задают исходный текст, вопрос и допустимые ответы, после чего сравнивают логиты токенов `A`, `B`, `C` и так далее в следующей позиции. На закреплённой ревизии `a90bd45be9b1612aed2fe061817249491df99241` находятся два шарда `.safetensors`, индекс, токенизатор и файлы конфигурации. Индекс сообщает о 2 516 756 480 параметрах: название «2b» приблизительное. История HF фиксирует загрузку 28 сентября, а не просто изменение `lastModified`. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Где это полезно

Примеры задач — маршрутизация обращений, выбор очереди поддержки и проверка короткого условия по заранее сформулированным альтернативам. Вместо свободного текстового ответа модель отдаёт оценки вариантов; на уровне модели это **логиты**, а не гарантия хорошо откалиброванной вероятности. Автор предлагает нормировать их softmax и самому назначать пороги для отправки неоднозначных случаев человеку. Когда правильного ответа нет среди предоставленных вариантов, отдельного механизма отказа нет: всё равно получится распределение по имеющимся вариантам. Формулировка карточки «ничего не галлюцинирует» относится к отсутствию свободной генерации, но **не** означает, что решение не может быть ошибочным. [s1](#src-s1)

Модель заявлена как слитые веса MiniCPM5-2B и обученного LoRA, без обязательной отдельной загрузки базового чекпойнта. Машинная конфигурация действительно называет стандартную архитектуру `LlamaForCausalLM` и BF16; `decision_config.json` указывает `letter-logit`, а `calib.json` содержит глобальную температуру 1.0. Тот факт, что репозиторий можно загрузить через Transformers, сам по себе **не создаёт** API для решений: преобразование вопроса и вариантов в промпт, выбор буквенных токенов и нормировку логитов должен выполнить код приложения. Modelium не запускал веса и не проверял скорость или качество на собственном оборудовании. [s1](#src-s1) [s2](#src-s2)

## Важная ошибка в быстром старте

Карточка предлагает `vllm serve` с `vllm>=0.30.0`, затем POST на `/v1/systemone`. Мы сверили полный исходный tree официального тега `v0.30.0` и документацию серверного API: маршрута `systemone` там нет. Поэтому **не копируйте этот запрос как готовую инструкцию к штатному vLLM**. Если нужен сервис решений, реализуйте и проверьте отдельный обработчик чтения логитов поверх поддерживаемого inference API либо дождитесь опубликованной автором совместимой интеграции. Наличие обычного OpenAI-совместимого сервера не равно поддержке специализированного маршрута. [s1](#src-s1) [s4](#src-s4) [s5](#src-s5)

## Что означают оценки автора

Автор сообщает для pjev-2b точность 61,3% на сложном уровне публичной части JevBench (111 заданий), 81,9% на стандартном и hard-tier ECE 0,120; время одного решения — 20,5 мс на H100 при batch 1. Это **авторские**, не воспроизведённые нами цифры. Весь публичный набор содержит 231 задание; официальный рейтинг отдельно включает 308 закрытых заданий, на которых автор pjev результата не приводит. Сравнение с imajev-4b в карточке опирается только на агрегированные результаты, в отличие от остальных пересчитанных записей; не переносите эти числа на русский язык, свою нагрузку или CPU. Карточка называет рабочим языком английский и рекомендует отдельно калибровать модель на собственной размеченной выборке. [s1](#src-s1)

## Права и границы применения

Карточка модели и базовый MiniCPM5-2B указывают Apache-2.0; отдельного `LICENSE` в закреплённом дереве pjev-2b нет. Обучающий Eikos Decisions имеет метку CC BY 4.0, а карточка pjev отдельно раскрывает подмножество исходных данных под ODC-BY-1.0 и записи FinEntity, позднее удалённые автором датасета: для повторного обучения проверьте происхождение и атрибуцию используемой ревизии. Это не проверка чистоты модели и не разрешение автоматически применять её для регулируемых решений. Для пилота сначала сравните варианты на своих размеченных обращениях, задайте порог эскалации и отдельно протестируйте реальный endpoint. [s1](#src-s1) [s2](#src-s2) [s6](#src-s6) [s7](#src-s7)

## Источники

1. [pjev-2b: закреплённая карточка и авторская методика](https://huggingface.co/Kailune-AI/pjev-2b/blob/a90bd45be9b1612aed2fe061817249491df99241/README.md) — получено 2026-09-28
2. [pjev-2b: API модели, состав репозитория и конфигурация](https://huggingface.co/api/models/Kailune-AI/pjev-2b/tree/a90bd45be9b1612aed2fe061817249491df99241?recursive=true&expand=true) — получено 2026-09-28
3. [pjev-2b: история загрузки в Hugging Face](https://huggingface.co/api/models/Kailune-AI/pjev-2b/commits/main) — получено 2026-09-28
4. [vLLM v0.30.0: полное дерево исходников серверного API](https://api.github.com/repos/vllm-project/vllm/git/trees/v0.30.0?recursive=1) — получено 2026-09-28
5. [vLLM v0.30.0: официальная документация online serving](https://docs.vllm.ai/en/v0.30.0/serving/online_serving/) — получено 2026-09-28
6. [MiniCPM5-2B: исходная модель и метаданные лицензии](https://huggingface.co/api/models/openbmb/MiniCPM5-2B) — получено 2026-09-28
7. [Eikos Decisions: карточка исходного датасета](https://huggingface.co/datasets/caiovicentino1/eikos-decisions/blob/cebb4a26687cb14742fd07c0ebe17387ee51d369/README.md) — получено 2026-09-28