# Valen > Valen（万澜）是多模态 System One 决策模型：输入文本、图像和视频，对你提供的候选项返回结构化概率。 每个页面都有 Markdown 版本：在文档或 Cookbook 路径后加 `.md`。 ## API - [OpenAPI 规格](https://valen-team.github.io/openapi.json)：System One、Decisions 和 List Models 的请求与响应结构 - [Agent skill](https://github.com/Valen-Team/skills)：给编程 agent 用的 Valen 集成方法 ## 文档 - [开发者文档](https://valen-team.github.io/zh-Hans/docs.md): 给出文本、图片或视频，定义要判断的问题，得到候选概率。 - [一起构建](https://valen-team.github.io/zh-Hans/docs/contributing.md): 欢迎贡献模型、评测任务、数据、文档和智能体应用。 - [JevalKit](https://valen-team.github.io/zh-Hans/docs/jevalkit.md): 用于 Jev 类决策模型的开放评测工具。 - [Benchmark 评分协议](https://valen-team.github.io/zh-Hans/docs/jevalkit/benchmarks.md): 项目概览 · 使用指南 · 模型接入 - [接入模型](https://valen-team.github.io/zh-Hans/docs/jevalkit/models.md): 项目概览 · 使用指南 · 评分协议 - [运行首次评测](https://valen-team.github.io/zh-Hans/docs/jevalkit/quickstart.md): 项目概览 · 模型接入 · 评分协议 - [模型、数据与 Demo](https://valen-team.github.io/zh-Hans/docs/resources.md): 模型权重 - [Valen](https://valen-team.github.io/zh-Hans/docs/valen.md): 开放的多模态 System One 决策模型。 - [用编程 agent 构建](https://valen-team.github.io/zh-Hans/docs/valen/agent-skill.md): 安装 Valen skill，让 Claude Code、Cursor、Codex 等编程 agent 设计好 Valen 集成。 - [API 调用](https://valen-team.github.io/zh-Hans/docs/valen/api.md): 托管 API 和本地部署支持两种协议： - [API 数据处理与保留](https://valen-team.github.io/zh-Hans/docs/valen/api/data-handling.md): 本页面介绍 Valen 托管 API 的数据处理。自行部署时，数据处理方式取决于部署者的配置。 - [Decisions](https://valen-team.github.io/zh-Hans/docs/valen/api/decisions.md): 向托管 API 提供文本或图片，并提出判断、选择或评分问题。接口返回每个问题的结果及对应概率。视频可先提取画面帧，再作为图片输入。 - [List Models](https://valen-team.github.io/zh-Hans/docs/valen/api/list-models.md): 列出托管服务中的模型。将返回的 id 用作推理请求的 model 字段。 - [System One](https://valen-team.github.io/zh-Hans/docs/valen/api/systemone.md): 向托管 API 提供文本或图片，并提出判断、选择或评分问题。接口返回每个问题的结果及对应概率。视频可先提取画面帧，再作为图片输入。 - [发布模型架构](https://valen-team.github.io/zh-Hans/docs/valen/architecture.md): Valen 先用 Qwen3.5 理解输入的文本、图片或视频，再用 Mixer 给每个候选答案打分，最后把分数转换成概率。一次输入可以同时回答多个问题，共用同一次骨干计算。 - [校准与自动处理](https://valen-team.github.io/zh-Hans/docs/valen/calibration.md): 用实测结果选择自动分流的范围，把人工留给需要复核的工单。 - [训练 checkpoint 推理](https://valen-team.github.io/zh-Hans/docs/valen/checkpoint-inference.md): 本文介绍 valen 包内的逐题推理与评估。Sokoban 的完整游戏评测使用独立的 evaluation.sokoban 命令，数据生成、策略比较和轨迹回放见任务评测说明。 - [保存、恢复与导出](https://valen-team.github.io/zh-Hans/docs/valen/checkpoints.md): 训练将日志和配置写入输出目录，最新 checkpoint 保存在 latest/，每次保存会覆盖它。要保留某一步，在保存结束后复制整个目录。冻结权重仍依赖原来的 model_path。 - [版本选择](https://valen-team.github.io/zh-Hans/docs/valen/choosing.md): 先按你的设备和用途选择一条路径，再决定模型大小。首次体验可以直接使用网页或免费 API，无需下载模型。 - [训练配置](https://valen-team.github.io/zh-Hans/docs/valen/configuration.md): 从已有配方复制，不用从空白 JSON 开始： - [数据格式](https://valen-team.github.io/zh-Hans/docs/valen/data-format.md): 训练与评估数据使用 UTF-8 JSONL：每行一条 JSON 记录，空行忽略。读取器一次将文件读入内存，空文件会报错。以下示例为方便阅读展开显示，写入 .jsonl 时需压成一行。可直接使用的文件见 data/smoke。 - [Jev Decision Index](https://valen-team.github.io/zh-Hans/docs/valen/decision-index.md): Jev Decision Index 用统一测试比较模型的决策能力。Valen-4B 的综合得分为 37.57，公开测试得分为 38.54；三个尺寸的结果如下。 - [评测](https://valen-team.github.io/zh-Hans/docs/valen/evaluation.md): 微调前后使用同一个独立测试集，保持候选、顺序、温度、媒体预算与后端一致。用 validation 选参数，最后再看 test。 - [第一次调用](https://valen-team.github.io/zh-Hans/docs/valen/getting-started.md): Valen 对给定候选进行打分，适用于文本、图片和视频。第一次尝试使用托管文本 API，无需本地权重或训练环境；可用性与配额由服务决定。 - [GGUF 本地服务](https://valen-team.github.io/zh-Hans/docs/valen/gguf.md): 这些 GGUF 需要 Valen 补丁版 llama.cpp/Ollama；官方未修改版本不能直接视为支持。首次在线体验见版本选择。 - [已知弱点](https://valen-team.github.io/zh-Hans/docs/valen/known-limitations.md): Valen 在哪些情形下回答不可靠（基于公开 benchmark 的测量），以及每种情形该怎么改写。 - [ONNX 推理与 SDK](https://valen-team.github.io/zh-Hans/docs/valen/onnx.md): 通过 Python、Node.js、浏览器 WebGPU 或原生 C++ 文本集成运行 Valen。 - [如何使用概率](https://valen-team.github.io/zh-Hans/docs/valen/probabilities.md): Choice 对给定互斥候选分配概率，选择最大者。Predicate / Noul 返回一个陈述的 P(true)；多个 predicate 并不互斥。Score 对有序等级描述分配概率，返回从零开始的 sum(ip[i])。等级标签不天然对应等距业务价值：“低/中/高”不必具有等距成本。需要时显式定义业务效用，再计算 sum(utility[i]p[i])，并独立验证映射。 - [写好问题](https://valen-team.github.io/zh-Hans/docs/valen/question-design.md): 如何把决策拆成 Valen 问题、组织文本和图像 state、写候选项，以及如何绕开已记录的难点。 - [Transformers 本地推理](https://valen-team.github.io/zh-Hans/docs/valen/quickstart.md): 安装依赖并使用两种协议运行 Valen。 - [多问题共享计算](https://valen-team.github.io/zh-Hans/docs/valen/qwen-shared-state.md): 同一段文本、图片或视频可以同时回答多个问题。Valen 将它们放进一个共享序列，用一次骨干前向计算得到各题的候选评分。 - [发布模型实测](https://valen-team.github.io/zh-Hans/docs/valen/reliability.md): 比较 Valen 发布模型的概率校准、自动处理覆盖率和错误率。 - [SGLang 镜像部署](https://valen-team.github.io/zh-Hans/docs/valen/sglang-image.md): 使用包含 SGLang 运行时和 Valen 插件的 Docker 镜像，启动本地 HTTP 服务。 - [SGLang 插件部署](https://valen-team.github.io/zh-Hans/docs/valen/sglang-plugin.md): 在官方 SGLang 环境中安装 Valen 插件，启动本地 HTTP 推理服务。 - [SGLang 部署](https://valen-team.github.io/zh-Hans/docs/valen/sglang.md): 选择适合现有环境的部署方式： - [模型微调](https://valen-team.github.io/zh-Hans/docs/valen/training.md): 微调就是用自己的标注数据继续训练已有模型。例如，让 Valen 学习你公司的客服分类规则。建议从 Valen-0.8B 的 LoRA 微调开始，只更新少量参数，先做小规模尝试。 - [vLLM 镜像部署](https://valen-team.github.io/zh-Hans/docs/valen/vllm-image.md): 使用包含 vLLM 运行环境和 Valen 插件的 Docker 镜像启动本地 HTTP 服务。 - [vLLM 插件部署](https://valen-team.github.io/zh-Hans/docs/valen/vllm-plugin.md): 在官方 vLLM 环境中安装 Valen 插件，启动本地 HTTP 推理服务。 - [vLLM 部署](https://valen-team.github.io/zh-Hans/docs/valen/vllm.md): 根据运行环境选择部署方式： ## Cookbook - [Cookbook](https://valen-team.github.io/zh-Hans/cookbook.md): 按目标分组的 Valen 完整应用教程，从输入到业务结果。 - [API 入门](https://valen-team.github.io/zh-Hans/cookbook/api-quickstart.md): 运行原有文本、图片和视频抽帧示例。 - [校准工单分流](https://valen-team.github.io/zh-Hans/cookbook/calibrated-routing.md): 用自己的工单拟合可复用的分流规则，将未达条件的请求交给人工。 - [对照引用来源核查论断](https://valen-team.github.io/zh-Hans/cookbook/citation-check.md): 每条论断用两道判断题区分有依据、被反驳和无依据三种情况；来源无法定论的交给编辑。 - [照片评分一次，各店铺按需加权](https://valen-team.github.io/zh-Hans/cookbook/composite-scoring.md): 对商品照片的光线、背景和构图评分一次；每个店铺在代码中用自己的权重排序。 - [将扫描表单与系统记录核对](https://valen-team.github.io/zh-Hans/cookbook/document-check.md): 对扫描的借用单逐个字段提问，再由代码决定接受、拒绝或送人工复核。 - [领域微调](https://valen-team.github.io/zh-Hans/cookbook/domain-finetuning.md): 这个小例子把请求分为“修改地址”“取消订单”“其他”，跑通数据检查、LoRA 训练、恢复和前后评测。 - [找出片段中事件发生的时间](https://valen-team.github.io/zh-Hans/cookbook/event-monitoring.md): 对均匀间隔的帧问同样的判断题，再在代码中把概率平滑成事件时间。 - [把指令转成函数调用](https://valen-team.github.io/zh-Hans/cookbook/function-calling.md): 一次 Valen 请求选出函数并填好每个封闭集合参数；代码只读取被选中函数的回答。 - [为 LLM 回复加防护](https://valen-team.github.io/zh-Hans/cookbook/llm-guardrails.md): 每条政策规则一道判断题，决定 LLM 起草的回复是发送、拦截、复核还是重新生成。 - [本地推理基础](https://valen-team.github.io/zh-Hans/cookbook/local-inference.md): 使用离线原版或 ONNX 模型运行两种协议。 - [旧内容迁移表](https://valen-team.github.io/zh-Hans/cookbook/migration.md): 四份 Notebook 是两套教程的中英文版本，不是四个不同应用。以下表格区分重复内容和独有内容。完整教程、代码及 JSON 样例数据只在官网仓库维护；API 与部署文档继续维护各自的参考信息。 - [商品图片筛选](https://valen-team.github.io/zh-Hans/cookbook/product-screening.md): 检查摄影挂画商品的图片与分类是否一致。 - [对检索到的段落重新排序](https://valen-team.github.io/zh-Hans/cookbook/rerank.md): 逐条询问检索到的帮助中心段落能否回答客户的问题，按概率排序，都不能回答时转人工。 - [用 agent skill 做客服分流](https://valen-team.github.io/zh-Hans/cookbook/skill-support-router.md): 装了 Valen skill 的编程 agent 根据一页需求写出客服分流器，在 60 条没见过的消息上得分 98%。 - [工单分流](https://valen-team.github.io/zh-Hans/cookbook/ticket-routing.md): 从客户消息生成处理队列、审核决策和优先级。 - [候选项都不对: 未知类别处理](https://valen-team.github.io/zh-Hans/cookbook/unknown-categories.md): 用 Valen 的显式 none 候选和人工复核阈值处理未知工单，对比真实预测、漏检、误报及自动处理覆盖率。 - [验证、性能与版本](https://valen-team.github.io/zh-Hans/cookbook/validation.md): 验证日期：2026 年 10 月 26 日。本页直接读取统一版本清单、性能 JSON 和能力表，避免双语页面手工维护不同数字。性能测试使用真实 0.8B 权重、一个固定文本和合成诊断图片/视频，不是代表性业务准确率或生产负载基准。 - [从邮件中选出正确的日期](https://valen-team.github.io/zh-Hans/cookbook/value-extraction.md): 代码找出供应商邮件里的每个日期；Valen 选出新的交货日期，一道判断题识别没有新日期的邮件。 - [短视频标注](https://valen-team.github.io/zh-Hans/cookbook/video-tagging.md): 输出带抽帧位置和不确定性处理的视觉属性标签。 ## 可选 - [全部页面合集](https://valen-team.github.io/zh-Hans/llms-full.txt)