Articul8 Bivia：一种能够弃权的决策模型——而且没有价目表

Bivia 的 API 文档中最具决定性的一行并不是基准测试结果，而是状态。一个已应答调用会返回一个 value、一个介于 0 和 1 之间的概率，以及对你所提供的各个选项的分布。被拒绝的调用则返回 value: null、一个 abstain_reason，以及相同的分布——模型通过一个类型化字段告诉你，证据不足以支持作出承诺。Articul8 Bivia 于 2026 年 10 月 28 日在圣克拉拉发布，它是一个多模态决策模型，而非生成式模型：一次 HTTP POST 输入，类型化 JSON 输出，零输出 token。弃权字段是此次发布最着力强调的功能，也是你可以用一个参数关掉的功能。这一诉求是否成立，是一个关于校准的问题，而参照点是TypeSafe AI 的 Jev-1.13——本博客报道最多的决策模型，也是你如今已经可以通过 OrcaRouter 调用的那个模型。

把两者并排比较，差异就在于每个模型会接受什么作为输入。Jev 回答关于文本的键入问题。Bivia 接收文本、图像、文档、代码、传感器信号、音频和视频，并把答案锚定在具体对象上：一个边界框、一个字符偏移量、一个视频时间戳。这两个厂商共享的是一个业务问题，而不是一种架构。两者都被作为同一种手段来销售：不再为那些最终归结为“是”“否”、一个标签或一个数字的判断支付前沿模型费率。Articul8 对这一卖点的版本附带一个可用的 API、一项免费 token 优惠，却没有公布每 token 价格，这使得 Bivia 迫使你做出的第一个决定成了一个成本核算问题。

Bivia 实际返回的内容

产品页面在契约方面异常具体，值得仔细阅读，因为新闻稿并非如此。一次决策就是一个 POST 请求，将你的 API 密钥放在 BIVIA_API_KEY 中；响应每次都是相同的 JSON 结构，而这正是非生成式输出的全部意义所在。你从九个原语中选择一个——Decide、Choice、Boolean、Score、Set、Span、Ground、Extract 和 “Data science”——答案会被强制转换为五种类型化结构之一。没有自然语言文本，没有解析步骤，也不会有在第 4,000 个 token 处被截断的花括号。

• 输入 — 文本、图像、文档、代码、信号、音频和视频，七种模态通过同一个共享架构来处理，而不是为每种格式分别设置独立的流水线。

• 输出 — Choice、Boolean、Score、Set 和 Span，每一项都会返回一个校准后的概率，以及在你所提供选项上的分布。

• 模式 — Fast 在单次传递中执行一个决策；Deep 先做决定，然后在提交前质疑自己的决定；Fast 可通过 think: true 升级。页面的摘要条显示“Fast Deep Thinking”，而详情部分描述为“Fast · Deep · Abstain”，因此 Thinking 是第四种模式还是 Fast 上的一个开关，供应商尚未明确。

• 拒答——可选。发送 allow_abstain: false，Bivia 就会每次都承诺给出答案，这会移除该保障措施，并让你得到一个可能接近零的概率。

• 可溯源定位（Grounding）——区域、偏移量和时间戳会随答案一并提供，因此下游检查可以在模型所用的精确像素或秒数处重新打开证据。

• 语言 — 50+，页面列出的语言包括英语、日语、韩语、印地语、泰米尔语、西班牙语、德语和葡萄牙语等。

集成范围比决策 API 通常具备的更广。面向 Claude Code、Codex、Cursor 和 VS Code 的 MCP 服务器，一个 CLI 和 Claude 技能，面向 macOS 和 Windows 的悬浮桌面应用，Chrome 和 Edge 扩展（可让你选中屏幕区域并就其提问），一个带有 =BIVIA.DECIDE、=BIVIA.CHOICE 和 =BIVIA.SCORE 公式的 Google Workspace 加载项，以及 Python、Node.js、Go 和 Rust 的 SDK。这些都不会改变模型本身是什么。但这确实意味着试用只需一条命令，而不是一个集成项目。

弃权开关就是整个产品，而它恰恰是产品中最少被衡量的部分。

弃权是正确的思路，也是这一主张中更难的一半。会靠猜的决策层比会靠猜的生成模型更糟，因为一个带类型的答案无论是否真正有依据，看上去都可供审计。因此，有意思的问题不是 Bivia 能否返回弃权——API 已证明它可以——而是它的置信度是否校准得足够充分，使拒答落在真正模棱两可的案例上，使明确作答落在清晰的案例上。这是一个可测量的属性，而 Articul8 尚未公布对它的测量。

相反，现存的是针对该类别的独立工作。JEVal 是 arXiv 2610.03935 中引入的基准，它在来自 10 个应用领域、36 个数据集的 11,257 个实例上测试了 25 种模型配置。其发现十分尖锐：通用决策模型在答案能够从眼前的证据中得到解答时表现最佳，而在需要专业知识或必须忠实估计不确定性时则变得不那么可靠。摘要中的说法是，这些模型能够选出最可能的结果，同时“大幅高估其概率”。同一篇论文还运行了 τ-bench，并发现更快的局部决策会缩短回合——但随着错误在长轨迹中不断累积，整体任务成功率会下降。

第二项发现直接冲击了在智能体每一步都放置一个决策模型的论点。复利式累积正是单步准确率数字所掩盖的失效模式：一个单步有 90% 概率正确的步骤，在经历五个相互依赖的步骤后，正确率只有 59%。Zenodo 上一项单独的预注册测试（SILT-RP-010）让七个决策模型处理了 799 个未公开的“是/否”决策，结果发现只有一种配置与其自身的校准声明相符；Jev 的 ECE 为 0.052，作者将其记录为不确定，而非已确认。这一切都与 Bivia 无关，也不应被解读为对 Bivia 的裁决。这是该类别正被要求达到的标准，而 Bivia 尚未被要求达到这一标准。

凡是确有实测数据的地方，数据也单薄得足以让人坦诚承认。一位开发者用 Jev-1.13 和 Clef-Flash 跑了自己那个通宵运行的编码智能体给出的 42 个标注决策；两个模型都完美处理了十个计算机使用操作选项，其中包括两个安全陷阱——其中一个要求弃权——但两者都漏掉了同样的四个监督案例。他自己称其为“来自一个人智能体的 42 案例基准测试，而非一篇论文”。Bivia 不在其中。

主打的基准测试指名了它的对比对象，这一点比大多数发布活动做得更多。

Articul8 的内部工具路由测试给 Bivia 打了 0.91 分，而 Jev 是 0.84，发布说明里直接点名道姓，而不是躲在“某领先竞争对手”的说法后面。这一点值得肯定；具名对比对象是可证伪的，匿名对比则做不到。基准测试区块的其余部分则需要更明确的标注：

• 工具路由 — Bivia 0.91 对 Jev 0.84，供应商内部数据，方法未公开。

端到端工作流完成率——约为 73%，而对比模型为 37%；这一数字出现在 Articul8 的发布帖中，而非新闻稿中。

• 能源与 Verilog 任务——经过领域调优后，在选定任务上达到 100% 准确率。该发布本身将这些任务标记为分布内，这意味着这些任务与调优数据相似；这是关于拟合的陈述，而非关于泛化的陈述。

• 答案稳定性——Articul8 声称，包括 Jev 在内的竞争对手在选项重新排序时，大约每八次运行就有一次会改变答案，而 Bivia 则保持一致。未披露测试框架、样本或选项集。

值得注意的不对称，其实在比较的另一侧。Jev 已经经过了独立评估：一项 arXiv 研究中的 37 个数据集、JEVal 测试套件、预注册的校准测试，以及若干由开发者运行的评测框架。而 Bivia 才问世一天，只有一份新闻稿和一个产品页面。这在发布当天很正常，并不是对模型的批评——它恰恰是理由，说明应当把 0.91 当作一个需要复现的数字，而不是一个可以据以做规划的数字。

定价：你为输入令牌付费，且没有可供计算的费率表

商业条款形式上很简单，但在关键之处却空空如也。无需订阅。你只需为输入 token 付费，这源于一个不产生任何输出的模型。前 10,000 名用户可免费获得最多 10 亿个 token。访问需在 articul8.ai/bivia 注册。缺失的是实际费率：产品页面、新闻稿或发布帖中都没有出现每百万输入 token 多少美元。页面上的成本图示——一个“¢$$$ 1 次前向传播”的对比——只是示意，并非价格。

没有费率，你就无法完成整个类别赖以成立的那一项计算——即一次决策调用是否比它所替代的生成式调用更便宜。Articul8自己的演示数字让这种吸引力变得可见，却无法让它变得可计算：在约15秒内针对数据中心冷却遥测完成了10,058次决策，其中13次选择弃权并被交由操作员处理；200个晶圆批次、一个12小时班次内共1,000次决策，八个光刻扫描仪上每批次五次调用；单次运行报价0.40美元，却未说明该次运行包含什么内容。其中每一项都是供应商捕获并回放的演示，页面上的若干示例还明确标注为示意性内容。

免费档位是目前最务实的选择。十亿输入 token 足以支撑一次真实的试点——让几百个已标注的案例分别走一遍 Fast 和 Deep，开启和关闭弃权机制——而这一切都发生在任何人不得不向你报价之前。这次试点是了解你自己数据上弃权率的唯一途径，而弃权率恰恰决定了这套方案在经济上是否成立。严格的阈值会把更多案例转交给人工；宽松的阈值则会让那些“自信的错误”溜过去。覆盖率与风险之间的这种权衡，正是选择性分类的核心所在，任何厂商的基准测试都无法替代你自己的阈值。

视频和文档正是 Bivia 不再像其他决策模型的地方。

文本决策模型——Jev、Clef 以及各种开源重建版本——接收关于文本的带类型问题并返回概率。Bivia 跨七种模态的共享架构则是贴着同一标签的另一类产品；展示它的演示是一部长达 52 分钟的 4K 国际空间站纪录片，在单个请求中逐帧输入，能显现夜侧城市灯光和极光等持续数秒的事件。抽帧采样本会错过这些事件；其宣称是 Bivia 不做采样。

这是一种真正不同的能力，它指向 Articul8 实际销售的工业用例：巡检视频中事件只占四十分钟里的三秒钟、工程图纸、表格和图表、传感器轨迹。提到的客户是 Hitachi Energy、CTC、AZing 和 Megazone，围绕 Bivia 的平台可连接 25 个以上的企业和运营系统，并可部署在公有云、私有云、主权云和气隙隔离云上。不过，领域调优是由销售主导的——该页面对此的说明就是“请与我们聊聊您的领域”。因此，100% 能源和 Verilog 的数字描述的是在 Articul8 帮助下构建的经过调优的部署，而不是一个你下载下来、在某个周二直接对准工厂就能用的模型。

决策模型在智能体中应处于什么位置——以及为什么这是一个路由问题

合理的架构并不是“用 Bivia 替换 LLM”。它是一条由三部分组成的链条：确定性规则吸收它们能够裁决的情形，决策模型承接剩余的、有边界的判断，并返回一个带概率的标签，应用则在任何操作发生之前，依据策略和权限验证该标签。只有到这时，工作流才会在低成本操作、前沿模型调用和人工介入之间做出选择。决策模型是推荐环节，而不是权威来源——它无权批准合并、支出或跳过审批，而一个形式正确却因错误理由选出的标签仍然是错的。

这意味着运维层面的问题就变成了路由，它包含三个部分：哪些步骤交给决策层，哪些在概率偏低或答案被弃答时升级到生成式模型，以及决策端点本身变慢或宕机时该怎么办。这就是路由策略的形态，也正是 OrcaRouter 的路由 DSL 的用武之地——把一次决策调用和一次生成式兜底组合成一次调用，并在其后接上自动故障转移，使得任意一侧出现弃答或故障时都有一个明确定义的下一跳，而不是让智能体卡住。这条链路中生成式的那一半，正是透传定价发挥作用的地方：一个 API 覆盖 200 多个模型，按供应商标价、0% 加价，因此当供应商下调价格时，你路由所用的费率当天就会同步变化。

关于可用性，有一点需要如实说明。Bivia 不在 OrcaRouter 的目录中——它只能通过 Articul8 自己的 API 和供应商平台访问，除此之外我们无法担保其他渠道。TypeSafe AI 的 Jev-1.13 在目录中，因此对我们确实提供的托管决策模型进行并排试用只需一键即可完成；而试用 Bivia 则意味着第二份合同和一套单独的凭据。如果你想在签署任何东西之前看看决策层是否值得占据一席之地，那么这种不对称就是现有成本最低的实验。

谁应该现在尝试 Bivia，谁又应该再等等？

如果你的决策存在于工件而非文字之中——检测视频、图纸、扫描的理赔单、传感器日志——那就试一试，因为这是 Bivia 在决策模型浪潮中目前没有竞争对手能匹敌的部分，而且免费的 token 额度足以覆盖试点。如果你已经是部署了该平台的 Articul8 客户，那就试一试，因为 Bivia 也能在你现有流水线旁边的 Bivia Studio 中运行；或者如果你需要气隙隔离或主权部署，公司级支持可以覆盖这一点。如果你会在编程智能体中使用它，那就试一试，因为 MCP 服务器和 curl 安装程序让这件事只需十分钟测试，而不是一个项目。

如果需要一个单价来估算支出，那就先等等，因为根本没有单价。如果采购需要独立基准或已公布的弃答率，那就先等等，因为这两者都还不存在。如果你需要可自行托管的权重、可阅读的许可条款，或延迟 SLA，那就先等等——这些都没有发布。而如果领域调优才是全部价值所在，那也要先等等：Bivia 开箱即用版与在你的领域上调优后的 Bivia 之间的差距并未披露，而这一差距正是你要买的东西。

有三样东西可以定论，而这三样都应由厂商公布：一份按 token 计费的费率表、一个在其他人也能运行的测试框架上测得的弃答率，以及一项早于发布时间的基准测试结果。在此之前，对 Bivia 的公允解读是：它是一个规格完善的 API，附带着异常出色的模态叙事，却靠自家团队生成的基准测试来推销，而其中最有趣的行为——知道何时拒绝——则被留作你自己应当测量的东西。弃答开关可以免费试用，而且根据现有证据，它仍然是尝试它的最佳理由。