📌 项目地址：github.com/firelex/jeff | 星数：1.3k+ | 版本：v1.2 社区预览（2026-10-01，v1.3 LTS 约 36 小时后发布）| adapter 生态：jeffhub.ai
「让大模型回答一切」正在被一种更聪明的架构取代：快慢双脑。Jeff 是一个 0.8B 的开源 System 1 决策模型，站在 Qwen3.8-27B 这类强模型前面当守门员——简单判断它先答（毫秒级），没把握才升级给 27B。官方 8 个 adapter 实测：**准确率 86.6% → 95.3%、单次决策 8.1s → 0.25s（快 38 倍）**，且所有数字的原始结果文件全部开源。Jev 决策模型家族的入门与训练见 Kev训练教程，同类引擎见 Laya深度评测，把决策结果接进业务（按置信度路由）的实战见 Jevgrep语义搜索教程 的路由思路。
| 方案 | 准确率 | 单次决策耗时 |
|---|---|---|
| Qwen3.8-27B 每个决策都亲自答 | 86.6% | 8.1 s |
| Jeff + adapters 先答，27B 兜底 | 95.3% | 0.25 s（38×） |
为什么又快又准：小模型只做「有无把握」的路由判断，难的才交给大模型——大模型从「全部都答」变成「只答难题」，准确率自然上升。
# 参考实现：仓库 jeff-reference-app
# 0.8B 体积 → 笔记本级硬件即可运行
# 拓扑：Jeff（快脑）在前 + Qwen3.8-27B（慢脑）在后
# Jeff 先答 → 有把握直接用
# → 不确定 → 转发 27B
# 数据积累：按 jeffhub.ai/docs 的数据指南
# 标注自己的领域样本 → 训练专属 adapter开源的 0.8B 参数 System 1 决策模型（firelex/jeff，1.3k 星）：让它站在 Qwen3.8-27B 这类强模型前面做快速判断——Jeff 先答，有把握就直接定，没把握才把查询交给 27B。官方 8 个 adapter 同测试集对比：准确率从 27B 全答的 86.6% 升到 95.3%，单次决策从 8.1 秒降到 0.25 秒（38 倍）。
adapter 是按领域微调的决策头（如法律条款 adapter 只有 41MB：adapter 权重+readout），装上后 Jeff 就懂那个领域的判断标准。v1.2 社区预览版带 9 个官方 adapter，从 jeffhub.ai 获取；注意 adapter 不跨基线版本通用（v1.3 LTS 基线发布后官方 adapter 会重训），但你的数据集可以按官方数据指南构建并跨版本复用。
仓库 jeff-reference-app 提供参考实现；0.8B 体积意味着笔记本级硬件即可运行，与 27B 大模型同机部署即可组成『快慢双脑』。所有对比数据的结果文件（jeffhub.json 与各 eval JSON）都开源可查，含与 Qwen3.8-27B 的对照明细。