因为我把 jav 扩展到了自动选择 thinking 的等级，想看看效果。然后就突发奇想，我已经用了 1 年的 vb 了，积攒了大量的 jsonl 。
于是让 astra 来进行抽取 10000 条符合可以做 thinking 判定的。但是太多了，我怕 astra 给我标记了。
先抽取出 200 条来做一个基线。用 astra 和 sol 进行独立评分，然后喂给 jev 看看 jev 的结果情况（这是不是就是蒸馏 astra 。
。 。
。 。
因为我打算直接拿这个来训练微调 laya 。看结果不是很好 | 指标 | Laya 多语言版 | 翻译＋ Laya 英文版 | Jev | |---|---:|---:|---:| | 与共识等级一致 | 22.6% | 38.7% | 68.5% | | 最多相差一档 | 53.2% | 76.6% | 96.8% | | 判低两档及以上 | 52 条 | 5 条 | 1 条 | | 总延迟中位数 | 71ms | 3.19 秒 | 377ms | jev 肯定是有大量的判例来进行训练的，不是一蹴而就的。
laya 的 readme 也说了他裸跑不如 jev ，但是根据训练进行特化微调训练，是可以达到甚至超过 jev 的。我打算试试看看效果。
case1.更换底模 case2.用微调。这个东西值得研究的价值在于在某一个小的领域等于 SOTA 的效果。
还是很有价值的。 。
。我刚就在想。
大模型在 agent 的 loop 中前期要暴力思考使用 read/grep 工具来探索，有时候这个就要 1-2 分钟，如果这个 1-2 分钟缩短到 5 秒内。是不是有显著的帮助，当然这只是探讨。
。也不是专业搞这个的。