EDU-Jev：教育决策专用「系统一」模型，单次推理替代生成式评分

教育场景中的大量自动化决策——给作文打 rubric 分、判断答案是否满足评分点、定位解题中第一个出错步骤——本质上都是从固定选项里做选择。生成式语言模型被越来越频繁地用于这类任务，但代价也很明显：输出需要额外解析、长文本推高推理成本，而模型用文字表达的"信心"未必等于答对的概率。

EDU-Jev 给出的思路是绕开生成：不写文字，直接输出选项上的概率分布。

从「写答案」到「选答案」

EDU-Jev 是一族单次前向（"System One"）决策模型，参数量覆盖 0.8B、2B 和 4B。输入是一段评估上下文加上带预定义选项的问题，模型不生成任何文本，直接返回一个覆盖所有选项的概率分布。

关键设计是一个 pointer head：它为每个选项打出一个标记分数，从而把预测严格限制在允许的候选集合内。这一点对教育评分场景很重要——评分标准往往是封闭的，模型没有"自由发挥"的空间，也就不存在输出格式不合规的问题。

训练只用一个监督阶段，采用针对可用目标标签分布的软交叉熵，校准效果通过实验评估。这种单阶段设计降低了训练流程的复杂度，也让小参数模型更容易落地。

软交叉熵与概率校准

软交叉熵（soft cross-entropy）指训练时不把目标当作硬性的 one-hot 标签，而是允许每个选项带一个目标概率（例如由多个标注者投票得到的标签分布），损失函数为 (-\sum_i p_i \log q_i)，其中 (p_i) 是目标分布、(q_i) 是模型输出分布。相比硬标签，它保留了标注分歧中的不确定性信息，也更贴合"同一篇作文可能落在相邻两个分数档"这类教育评分的真实情况。

概率校准（calibration）衡量的是模型给出的概率是否与真实正确率一致：若模型对所有预测为 0.8 的样本，实际正确率也接近 80%，则称其校准良好。教育场景中校准尤为关键，因为下游往往要按阈值分流（如低置信样本转人工复核）。常用度量包括期望校准误差（ECE）与 Brier 分数。

单次前向与"System One"

"System One"借自双过程理论，此处指模型在一次前向传播中直接给出结果，不经过思维链、多步推理或自回归逐 token 生成。对自回归语言模型而言，生成 k 个 token 需要 k 次串行前向，延迟随输出长度线性增长；而单次前向的决策模型输出长度固定（仅一个分布向量），延迟基本与选项数量无关。这正是 2B 模型能在单张 H100 上达到每秒约 150 次决策的结构性原因，也是它与生成式评分路线在吞吐量上拉开差距的根本所在。

性能：4B 模型在十二个教育基准上领先

据论文给出的数据，EDU-Jev 4B 在十二个教育基准上取得 67.6% 的平均准确率，比五个商业决策 API 中最强的一个高出 9.4 个百分点，比最好的开源 4B 决策模型高出 18.7 个百分点。

更值得关注的是效率数字：2B 模型在单张 H100 GPU 上每秒可处理约 150 次决策。对于需要批量批改的学校或考试机构，这个吞吐量意味着评分环节可以真正做成流水线，而不是逐个调用生成式模型。

作者也如实标注了边界：在四个跨领域教育数据集上，EDU-Jev 与最强 API 打平；但在通用决策与推理任务上，它仍然落后。换句话说，这是一个专才，不是通才。

教育专用模型的取舍逻辑

EDU-Jev 的价值主张建立在一个判断上：教育评分这类高频、封闭、对延迟敏感的任务，不需要通用对话能力，需要的是在有限选项上稳定给出概率。

这个取舍带来三重收益。其一，省掉解析环节，输出本身就是结构化的分布，下游系统可以直接取 argmax 或按阈值处理。其二，推理成本随输出长度归零而下降，长文本生成的开销不再存在。其三，校准可以实证检验——模型给出的概率与正确率之间的对应关系，比"文字信心"更可度量。

代价同样清晰：一旦任务需要开放式作答、解释性反馈或跨领域泛化，这类模型的能力边界就会显现。论文本身也承认通用任务上的劣势。

Pointer head 与候选集约束

Pointer head 得名于指针网络（pointer network），其核心是用输入中已存在的候选元素作为输出词汇表，而非使用完整的词表。在这里，它为每个预定义选项计算一个标记分数并经 softmax 归一化，使输出维度等于选项数。相较让模型自由生成文本再解析，这种设计从结构上排除了三种常见失败模式：输出不符合格式、生成了候选集之外的答案、以及同一答案的多种表述导致下游匹配困难。代价是模型无法处理开放式作答——一旦正确答案不在候选集合内，模型只能在其间做出最优的错误选择。

落地场景与开放性

从描述看，EDU-Jev 最直接的应用方向是 rubric 评分、判分标准核验和错误步骤定位——都属于有明确候选答案的判定型任务。0.8B 与 2B 的小尺寸版本，则为本地化部署和成本敏感的批处理场景留出了空间。

需要说明的是，本文信息来自论文摘要层面的公开描述，模型权重、训练细节与完整评测设置尚未在素材中展开，实际可用性有待进一步验证。对教育科技团队而言，值得观察的是这类"决策专用"路线会不会成为生成式评分之外的第二条技术路径。