整理：TopAIMap 编辑
FrontiersMind 开源 Lumma-Fev-27B：27B 决策模型单次前向打分，自测 4454 题准确率 90.7% 超 Jev
基于 Qwen3.8-27B 全参数微调的决策模型，输入状态与选项后一次前向返回各选项概率，不生成文本；支持英/印地/泰米尔/卡纳达语，权重 Apache 2.0，约需 55GB 显存自托管。
10 月 14 日，FrontiersMind 在 Hugging Face Blog 发布并开源 Lumma-Fev-27B。它是该公司 Lumma-Fev「决策模型」家族的最大规格：从 154M–9B 扩到 27B，底座为 Qwen3.8-27B，对约 10 万条决策样本做全权重微调（无 LoRA、无冻结层）。用法是给定一段 state（文本/JSON/数组）和若干 typed questions（choice / noul 等），模型在一次前向中为每个选项打分并返回概率与置信度，而不是生成一段再解析。官方在 4454 条 held-out 决策上报告准确率 90.7%，对照 TypeSafe Jev 为 83.9%，置信度校准更好；在 BBH、WinoGrande 等推理基准上 Jev 仍领先。
谁能用：权重 Apache 2.0，Hugging Face 仓库 FrontiersMind/Lumma-fev-27B 公开可下，无门禁。本地：pip install "lumma-fev>=0.2" 后 load("FrontiersMind/Lumma-fev-27B")，官方称约需 55GB 空闲显存（单卡约 80GB）或 device_map=auto 多卡；可加 flash-linear-attention / causal-conv1d 加速。自建 API：pip install "lumma-fev[serve]" 后 lumma-fev-serve --model 27b，提供与 TypeSafe 兼容的 POST /v1/systemone。无官方云端 Free/Pro 订阅说明，属自托管开源权重；单题+状态上限约 8192 tokens，可选装 images 扩展。
解读：决策模型把「选哪个动作/哪个团队」从生成式 agent 循环里拆成分类前向，官方宣称可比传统 agent 快两个数量级量级，和 NVIDIA 本周强调 decision models 进 llama.cpp 的方向一致。27B 全参微调门槛不低（显存与数据），但 Apache 权重降低了企业内嵌路由/分流的成本；需注意其自建基准对 Jev 的优势未必泛化到开放推理任务。 讨论：1. Agent 编排里，关键决策该交给决策模型还是继续用大模型 CoT？2. 自建 held-out 准确率公开时，业界该如何要求对照集与复现？
