Phocinae-Largha-150M-v1
一个144.3M参数的本地决策模型，采用Apache-2.0许可，专为审批门场景设计，支持带类型的问题（是/否、选择、评分），零输出token，可进行确定性决策
时间轴 (近 90 天)
本次测量的工作负载是公开的 typed-decisions 行集：400 个用例、2000 个决策，本地模型为 Phocinae-Largha-150M-v1（CPU、fp32），对照的托管模型是 flash 档的 deepseek-flash（temperature 0）。
决策模型接受状态（state）和最多五个带类型问题（noul/choice/score）在一次前向传播中返回答案与置信度，不生成文本，因此 output_tokens 为 0。
在 GPU fp16 下（RTX 5090），Largha-150M-v1 公布的每次决策 p50 延迟为 21.0 ms。
在 CPU 单线程下，Largha-150M-v1 处理一个案例（一个状态加五个问题）约需 1.64 秒；8 线程约 8–20 决策/秒。
Largha-150M-v1 在带类型决策英文自评估中取得 0.906 的读数（400 案例 / 2000 决策），高于 0.735 的教师自一致参考，但数据集卡标记存在标签特定过拟合风险。
Largha-150M-v1 在 JevBench public-231 上读数为 0.5455（126/231），低于其 58.4% 的接受门槛，未通过。
Largha-150M-v1 的中文读数为 0.848，但训练混合包含约 2400 条机器翻译中文行和约 1400 条母语中文行，应视为拟合结果而非零样本迁移。
Phocinae-Largha-150M-v1 是一个 144.3M 参数、Apache-2.0 许可的本地决策模型。
在 τ=0.6 的置信度门下，Largha-150M-v1 升级了 45.0% 的官方集决策，将 LLM 调用减少了 55.0%，保留子集准确率从 0.906 提升到 0.9936，全路由准确率为 0.8135。
模型卡指出 τ=0.6 是在评估集上扫描得出的操作点，每个领域需要重新扫描。
还有 5 条时间轴事件
全部知识事实 (15)
本次测量的工作负载是公开的 typed-decisions 行集：400 个用例、2000 个决策，本地模型为 Phocinae-Largha-150M-v1（CPU、fp32），对照的托管模型是 flash 档的 deepseek-flash（temperature 0）。
50%待验证决策模型接受状态（state）和最多五个带类型问题（noul/choice/score）在一次前向传播中返回答案与置信度，不生成文本，因此 output_tokens 为 0。
50%待验证在 GPU fp16 下（RTX 5090），Largha-150M-v1 公布的每次决策 p50 延迟为 21.0 ms。
50%待验证在 CPU 单线程下，Largha-150M-v1 处理一个案例（一个状态加五个问题）约需 1.64 秒；8 线程约 8–20 决策/秒。
50%待验证Largha-150M-v1 在带类型决策英文自评估中取得 0.906 的读数（400 案例 / 2000 决策），高于 0.735 的教师自一致参考，但数据集卡标记存在标签特定过拟合风险。
50%待验证Largha-150M-v1 在 JevBench public-231 上读数为 0.5455（126/231），低于其 58.4% 的接受门槛，未通过。
50%待验证Largha-150M-v1 的中文读数为 0.848，但训练混合包含约 2400 条机器翻译中文行和约 1400 条母语中文行，应视为拟合结果而非零样本迁移。
50%待验证Phocinae-Largha-150M-v1 是一个 144.3M 参数、Apache-2.0 许可的本地决策模型。
50%待验证在 τ=0.6 的置信度门下，Largha-150M-v1 升级了 45.0% 的官方集决策，将 LLM 调用减少了 55.0%，保留子集准确率从 0.906 提升到 0.9936，全路由准确率为 0.8135。
50%待验证模型卡指出 τ=0.6 是在评估集上扫描得出的操作点，每个领域需要重新扫描。
50%待验证Largha-150M-v1 在工具路由上是薄弱点：模型卡的案例显示在约 0.33 置信度下返回了 fetch_url 而非 web_search。
50%待验证Largha-150M-v1 不适合作为安全判官，应作为第一线信号配合升级、规则和人工路径使用。
50%待验证Largha-150M-v1 基础上下文为 8192 token，模型卡明确其不适用于长文档推理。
50%待验证Largha-150M-v1 的训练混合中包含一个 500 条的错误修正池，这些错误是从模型在带类型决策测试行上的预测中挖掘的，因此 0.906 是拟合读数而非零样本结果。
50%待验证Largha-150M-v1 出货的置信度列 ECE 为 0.2519，内置重新校准列（温度缩放）将其降到 0.0168。
50%