AI 领域正热议一种新型架构：非自回归、不生成文本，能对结构化模式提供极速概率预测。针对这一趋势，开发者发布了完全开源的横向 1 决策模型家族——Laya。

早在 2025 年 3 月，相关研究者便已着手此类架构探索，通过强化学习构建非自回归决策框架，并公开了论文、模型权重及数据集。2026 年 9 月，由 共同发明人 Diogo 创立的 AI 推出了 Jev。尽管 Jev 提出的非自回归决策概念引发关注，但其采用封闭专有模式，未开源技术细节。相比之下，Laya 旨在修复旧有架构局限，提供完全开放的替代方案。

核心洞察：用 1 思维重塑决策

现代 AI 流水线常误用生成式大语言模型（LLM）处理简单反射性决策，如工单路由、垃圾邮件识别或提示词安全检测。调用 8B 至 70B 参数的生成式 LLM 不仅耗时（500-2000 毫秒）、成本高，且易产生幻觉，其输出的置信度往往缺乏数学校准依据。

Laya 模拟人类大脑的 1 机制，在商用硬件上仅需32.8 毫秒即可做出即时决策，并提供诚实、校准的概率。它通过单次前向传播评估状态，依赖三种原语：

（选择）：从标准字典中选择选项，返回概率分布及校准置信度。

score（评分）：将状态映射至序数量表，返回期望级别及排名分布。

noul：针对布尔值问题，输出 0.0 至 1.0 之间校准的概率。

由于输出空间仅限概率和数字，模型从根本上杜绝了文本生成幻觉及格式错误。

多检查点与智能路由架构

为解决单一模型在多语言和任务上的局限，Laya 发布了三个专用检查点，并整合至 Face 单一仓库中：

检查点主干编码器参数量主要优势-英语文本分类、护栏、邮件分拣laya--支持 100+ 种语言，速度快 2.2 倍laya-typed--智能体可观测性、客户服务、安全警报

借助 Face 的 功能，Laya SDK 支持选择性下载特定子文件夹，避免下载全部 2.5GB 权重。

研究显示，英语模型在处理非拉丁脚本（如高棉语、印地语）时，即便准确率极低，置信度仍可能虚高。为此，Laya 内置亚毫秒级纯 路由器，通过 脚本检测和停用词分析，自动匹配最佳模型。路由开销仅为 0.09 至 0.73 毫秒，占总延迟不到 2%，且支持预加载以消除冷启动惩罚。

Laya vs Jev：性能全面领先

基准测试显示，Laya 在多项指标上优于 Jev 1.13.0：

指标 ( 已路由 ) 优势typed- 准确率0.7270.766提升 3.9%校准误差 ( ECE ) 0.2460.081校准效果好 3 倍P50 延迟 ( 单问 ) 236 – 276 ms32.8 ms速度快 7.8 倍P50 延迟 ( 10 问批处理 ) ~1,500 ms72.3 ms速度快 20 倍成本$0.042/ 百万 token$0.00 ( 自托管 ) 100% 免费开源状态封闭专有 2.0 开源支持本地部署

在真实工作流中，Laya 在电子邮件垃圾过滤（准确率 0.993）、网络钓鱼检测（准确率 0.980）及 LLM 护栏（准确率 0.755 – 0.762）等场景均表现出生产就绪的质量。

局限性与适用边界

Laya 并非全能，存在以下限制：

选项数量限制：当分类选项超过 20 个时，性能显著下降。在 （77 个标签）测试中，Laya 得分为 0.425，低于 Jev 的 0.870。建议将选择模式保持在 20 个选项以内，或采用层级结构。

需微调适配：基础模型在特定基准测试中得分接近随机水平，0.766 的高分源于对训练集的微调。用户需针对自身领域数据进行专业化微调。

温度校准：需针对特定领域分布拟合标量温度，以将校准误差从 0.466 降至 0.081。

快速入门

Laya 已通过 PyPI 发布，支持 pip 安装。开发者可通过内置 实现自动语言路由和多问题并行评估，单次前向传播即可同时获取队列分配、紧急程度评分及流失风险概率。

从 2025 年初的探索到如今的成熟发布，Laya 证明了一个核心观点：并非所有 AI 问题都需要自回归聊天机器人。对于大规模分类、路由和安全检测， sub-35 毫秒的双向决策模型提供了更快、更诚实且完全开源的解决方案。

【星途科讯 图文丨周鑫雨 首发于 ZAKER 科技，转载请注明出处】