国产开源多模态决策模型Intern-Decision发布，速度超Jev两到三倍

对于现有AI智能体，能否在有限候选方案里快速、准确地给出决策，直接影响任务完成情况。TypeSafe的Jev让模型面对给定选项直接给出结构化决策，把“快速选择”变成可被程序调用的能力。但要让这种“直觉”进入真实场景，模型还必须看懂图像和不断变化的界面。

上海人工智能实验室研究团队构建了多模态决策SOTA模型Intern-Decision，性能超越Jev和目前所有相关开源模型，探索结合视觉理解与指令遵循，让模型快速作出判断，同时兼顾决策效果。

Intern-Decision将决策建模为“自回归式掩码语言任务”，充分利用现有LLM的Next-Token Prediction能力，达到一步Prefilling即可获得全部问题结果。团队还构建了面向实时结构化决策的数据体系，从决策场景中抽象出多类结构化任务，定向构造高难度决策样本并融合公开语料，使模型既能学习通用快速分类，也能学习真实业务和复杂文本中的决策边界。

在RTX4090上的推理速度测试显示，Intern-Decision相较Jev有2-3倍效率提升，4B模型端到端推理时延可缩短至每query 45ms以下，0.8B和2B推理效率基本一致，可达每秒约30次推理，几乎可在绝大多数场景实现“实时”决策。

大模型在决策任务中，输出正确选项只是第一步。对于医疗判断、风险控制、智能客服和安全审核等场景，系统还需知道自身有多大把握，能否在不确定时给出合理概率分布。Intern-Decision对模型进行了温度校准，整体Brier从0.628降至0.550，ECE从0.213降至0.089。在JevBench-hard上的可靠性分析显示，校准前模型在高置信度区域存在明显偏差，校准后置信度与真实准确率之间的偏差明显减小。团队还构建了专用选项概率分布评测集，覆盖直接随机性、混合分布、条件概率、观测偏差、概率谜题和序列过程六类场景，并为每道题提供精确参考分布。结果显示，校准后整体Brier和ECE均优于Jev的0.595/0.130。以“三门问题”为例，校准后的概率分布更接近真实值。

在Jevbench-hard的111道题上，Intern-Decision独立作答准确率达73.87%（82/111）。这款4B模型部署在单张RTX4090上，平均每次判断仅需44.16ms，完成整套任务只需4.90秒。如果根据置信度将拿不准的42道题交给Atria-Dawn-Preview处理，最终准确率升至87.39%（97/111），整套任务总耗时估算为140.16秒。相比之下，全部交给Atria的准确率为89.19%（99/111），实测总耗时300.03秒。接管方案仅少答对两道题，却将总耗时缩短约53.3%。这正是大小模型协作的价值：追求速度时让小模型快速作答；需要更高精度时，通过置信度把不确定问题交给大模型，用额外时间换取更可靠判断。

游戏任务要求模型将视觉感知与动作选择结合。Intern-Decision可直接读取游戏画面并做出相关动作，例如在贪吃蛇中寻找食物、避开自身，在接水果时区分水果与炸弹，在超级马里奥中选择移动和跳跃，并在两个第一人称游戏任务中寻找生命补给或射击来袭敌人。五个演示覆盖二维网格、横版平台和第一人称三维场景，展示了将画面理解转化为连续交互行为的能力。团队还发现模型在游戏中出现探索性行为，比如Doom的Health Gathering场景中，角色触墙后会晃动镜头尝试发现新目标。

验证码任务要求模型将视觉感知、指令理解与交互决策结合。Intern-Decision直接读取界面截图，根据自然语言描述寻找目标，并通过离散鼠标移动与点击完成任务。四个演示记录了模型自主完成任务的完整成功轨迹，全程无人工接管或纠偏。

网页操作要求模型在持续变化的界面中反复判断下一步动作。这里采用大小模型协同方式：大模型负责理解整体目标、拆解阶段任务并结合跨页面信息提供指导；Intern-Decision负责高频局部决策，根据当前页面在点击、滚动、返回和结束等候选动作中快速选择。每次操作后系统重新读取页面状态，再进入下一轮判断。三个Demo展示了该协作方式在真实公开网页中的应用：Hugging Face上从官方Atria模型集合中找到标准checkpoint并核对架构与默认推理配置；GitHub上从搜索结果识别Atria官方仓库，进入Issues并定位包含422与502/503异常的API可靠性报告；PyTorch上沿官方文档查找scaled_dot_product_attention的dropout使用风险，并追踪到对应版本源码实现。这些任务覆盖模型集成检查、API问题排查和技术资料核验等常见工作。

团队本次开源0.8B、2B和4B三款多模态决策模型，目前Intern-Decision系列模型已在Hugging Face开源，代码和样例存放在GitHub。