通用决策模型：超越 Jev 的基准与分析

Jev 等通用决策模型近期成为结构化判断与选择任务中生成式 LLM 的高效替代方案。但它们能够可靠处理哪些决策？当单次决策组合成更大的系统后，行为又如何变化？为研究这些问题，我们提出双语基准 JEVal，包含来自 10 个应用领域、36 个数据集的 11,257 个实例，并评估涵盖通用决策模型与生成式 LLM 的 25 种模型配置。结果表明：（1）当现有证据足以作出决策时，通用决策模型最有竞争力；当任务依赖专业知识或准确的不确定性估计时，它们表现较弱，常能找出最可能结果，却大幅高估其概率。（2）在涉及长期多步交互的动态真实系统中，快速局部决策的优势会被系统层面的可靠性失效抵消。在 $τ$-bench 上，更快的局部决策缩短了完整任务运行的中位时间，却因长轨迹中的错误累积而降低任务成功率。（3）在大规模社会模拟中，决策模型以显著更低的推理成本，在个体响应预测上接近强生成式 LLM；但用户画像能力仍较弱，汇总估计误差和系统性偏差也较大。最后，我们提出 InnerJev-4B 和 InnerJev-27B，通过 Reasoning-to-Readout Self-Distillation，将开放权重 LLM 自身的推理内化为一次前向、首个 token 的决策。InnerJev-27B 在 JEVal 上与 Jev 表现相当，典型查询的回答时间约为 0.1 秒。