每个尺寸都提供原生权重、ONNX 和 GGUF。0.8B、2B 和 4B 已上线在线体验和免费 API，无需密钥，无需下载。

新增能力​

画框。 bbox 问题返回目标框、中心点和置信度。它可以和判断、选择、打分问题放在同一个请求里，一次前向全部回答。详见 bbox 问题。

块结构注意力。 承载文本和媒体的共享前缀内部双向可见，所有问题共用一次计算。决策类问题通过同一个双向块读取前缀，每个 bbox 问题各有一个块。详见架构说明。

五个尺寸。 0.8B、2B、4B、9B 和 27B。可以先用 0.8B 在笔记本 CPU 上试，任务需要时再换更大的。如何选择版本？

Jev Decision Index 成绩​

在 Jev Decision Index 0.4.1 上，Valen-Decision-1.5-27B 的公开视觉榜得分 82.9，在 83 个参评模型中排第一；公开文本榜得分 74.7，在 298 个模型中排第三。计入私有测试集的视觉总分为 73.3，排第五。名次取自 2026 年 11 月 11 日的榜单。

分数为 0 到 100 的归一化指数。各尺寸完整结果

选择运行方式​

获取模型​

• Valen-Decision-1.5 合集
• 源码仓库
• Cookbook

来源：Valen 发布记录。

此次发布提供 Benchmark 和模型规模筛选、模型比较、概率指标展示，以及评测结果下载。

统一评测流程​

JevalKit 为 8 类 Jev 相关 Benchmark 提供统一模型接口与预处理数据。发布的数据集包含 10 份 TSV 视图，其中图像和视频视图是 VisualDecisionBench 的子集。

目前已注册 20 个模型家族。模型注册与完整实测覆盖分别记录：排行榜区分完整评测、冒烟检查和导入预测。

浏览结果​

• 按 Benchmark 与模型规模筛选。
• 比较模型结果和概率指标。
• 下载导出的评测结果。
• 比较分数前，查看覆盖范围和结果来源。

打开排行榜

运行评测​

通过 JevalKit 入门指南安装依赖，下载模型和数据，运行首次评测。Benchmark 评分协议介绍各测试集的评分方式。

GitHub · 数据集

来源：JevalKit 发布记录。

ONNX 与 GGUF 版本已发布到 Valen Team 的 Hugging Face 组织。API Cookbook 包含预览版本以及 0.8B、2B、4B 模型的调用示例。

调用托管模型​

API Cookbook 包含可执行示例、输入预览和保存结果。可以先通过 API 入门了解请求结构。

运行导出模型​

已发布的导出模型包含 FORMAT_USAGE.md 说明和专用的 valen_formats.py 推理入口。

ONNX 使用 ONNX Runtime 执行视觉主干、语言主干与 Mixer。GGUF 保留原始张量精度，采用自定义 valen_qwen 架构，因此需要使用随附的 Valen 推理入口。

浏览模型与导出格式

从源码导出​

仓库提供导出、格式核验和一致性检查工具，可检查文本、图像和视频在不同执行模式下的输出一致性。

阅读导出指南

来源：Valen 发布记录。

同时发布 VisualDecisionBench，用于评测基于图像和视频的决策能力。

结构化的决策接口​

Valen 根据任务要求评估共享状态，对给定候选项输出概率。模型支持 Choice、Noul 和 Score 问题，为软件提供结构化决策接口。

仓库包含模型实现、数据处理、推理与评测命令，以及 SFT 与实验性 RLCD 训练支持。

模型​

VisualDecisionBench​

完整发布评测集包含 1,696 个共享状态和 9,143 个问题，其中图像问题 2,000 个，视频问题 7,143 个。

探索 Benchmark · 下载数据集

开始构建​

在本地运行 Valen，或浏览源码仓库。

来源：Valen 发布记录。

Valen 为 System One 决策引入视觉感知：输入文本、图片与视频，输出候选决策的概率。

从开放开始​

仓库提供模型开发、数据处理、训练、推理和评测工具。我们希望帮助智能体理解环境、选择有用的行动，并在反馈中持续改进。

探索首次发布​

• Valen 源码仓库
• Valen Preview 0923
• General 100k 训练数据

较新模型版本请查看模型概览。

来源：Valen 发布记录。