Intern-Decision-0.8B 对比 MathForm 8B：其中一个能检查自己的工作

关于任何小型专用模型，你能问的最有用的问题是：谁来检查它。Intern-Decision-0.8B 和 MathForm 8B 之所以存在，都是因为一个通用模型被微调成了一个狭窄领域的模型；两者都是 Qwen 权重的 Apache-2.0 衍生作品；两者都被上传到了 Hugging Face，没有做任何营销宣传——但它们分别位于一条界线的两侧，而这条界线决定了你会如何部署它们。MathForm 8B 是 OpenBMB 的 8B 自动形式化模型，于 2026 年 8 月 14 日发布，它把自然语言数学翻译成 Lean 4，再把结果交给编译器，编译器要么接受它，要么不接受。Intern-Decision-0.8B 是 InternLM 的 852,985,920 参数决策头，于 2026 年 9 月 26 日上传，它会针对你事先提供的选项返回一个经过校准的概率分布——而世界上没有任何东西会独立验证它返回的标签是否正确。这两个模型中，一个产出的输出带有证明。另一个产出的输出带有置信度分数，而你能拿这两样东西做什么，二者之间的差异就是整篇文章的内容。

这种说法也解释了为什么规模差距——8B 对 0.8B，十倍——是比较中最不有趣的数字。两个模型都不试图擅长对方所擅长的事，而且任何一个的评估都无法说明另一个的任何情况。它们的共同点是发布模式和 Qwen 血统，而这两点都没有验证问题重要。

每一个到底是什么

MathForm 8B 是论文中描述的两阶段方案所交付的产物MathForm：利用知识检索与验证引导的细化来扩展数学自动形式化（arXiv 2608.14221）。检索规划器会在生成器运行之前从 Mathlib 中拉取相关定义和已有形式化；随后使用编译器诊断和语义一致性反馈对生成的陈述进行修订；由此得到的语料库 FormalVerse 包含约 367,000 条经过验证的 Lean 4 示例；MathForm 8B 在其上通过监督微调进行训练，随后进行强化学习，并以 Lean 编译和语义一致性信号作为奖励。它是基于 Qwen3-8B 的纯文本模型，通过 Transformers、vLLM 或 SGLang 以兼容 OpenAI 的 API 提供服务，推荐上下文长度为 16,384 个 token，最大生成预算为 16,384 个 token。其评估流程、基准文件和 Pass@k 脚本均位于 OpenBMB GitHub 仓库中，训练数据集已公开。

Intern-Decision-0.8B 是一份无人描述过的配方所交付的产物。模型卡称其为“一个从 Qwen3.5-0.8B 微调而来的多模态结构化决策模型”，然后就没了——没有数据说明、没有训练流程、没有论文、没有代码仓库。它确实详尽记录的是推理契约。捆绑引擎会把每个问题的选项映射为单 token 符号，渲染一个骨架，每个字段有一个 <decision> 占位符，运行一次因果前向传播，在每个占位符之前的位置读取 logits，仅对该字段允许的符号做 softmax，应用拟合好的校准，并将符号映射回你的选项值。没有任何 generate() 调用，且路径中任何地方都没有采样。它接受文本以及最多八张图像，处理 1 到 16 个问题，每个问题最多 62 个选项，并且对超过 8,192 个 token 的输入直接拒绝，而不是截断它们。默认校准温度为 2.747760550703，通过 NLL 最小化在 1,728 个案例上为每个检查点拟合得到。

把这两段并排读一读，不对称之处十分刺眼。MathForm 8B 附有论文、数据集、评估流程和一个代码仓库。Intern-Decision-0.8B 则只配有一份 API 说明和一张基准测试表。

验证的不对称性，才是真正的关键所在。

MathForm 8B 的输出可以由人类之外的某种东西来检查。它输出 Lean 4，而 Lean 4 要么能编译，要么不能。OpenBMB 的数字正是在两种机制下报告的，原因也正在于此：在 Syntax Check 下 Pass@8 为 88.06%，这意味着输出能编译；在 Consistency Check 下为 72.37%，这意味着它能编译，并且语义一致性检查同意该形式化陈述的含义与原来非形式化陈述所说的一致。这两个数字都是六个基准上的平均值，论文还报告了 CC 通过率：在 FATE-H 上为 63%，在更难的 FATE-X 子集上为 37%，并声称这超过了专门的 32B 自动形式化器。这些都是厂商报告的——OpenBMB 自己运行的——但真正重要的性质是结构性的，而不是统计性的：消费 MathForm 8B 输出的下游系统可以拒绝糟糕的形式化，而无需让模型来评判它。编译器就是预言机。

Intern-Decision-0.8B 有类型契约，却没有 oracle。输出形态是有保证的——声明为 choice 的字段会返回一个在你所列选项值之上的分布，声明为 score 的字段会返回一个在你的评分标准上按概率加权的期望值，声明为 noul 的字段会返回一个是之概率。模型之外的任何东西都无法告诉你 argmax 是否正确。置信度值是模型对自身正确性的估计，而模型卡上的校准工作是一次诚实的尝试，意在让这一估计变得有意义——一个拟合出的温度参数，在保留 argmax 的同时让概率更尖锐或更平缓，并在留出样本上得到验证——但一个校准良好的错误答案仍然是错误答案。如果你的流水线需要知道某个标签是否正确，你就需要带标签的数据，而且必须自己去测量。

这并不是 Intern-Decision-0.8B 独有的缺陷。这是每个分类器的状况，也是包括 TypeSafe 的 Jev 和 Convai 的 Laya 在内的整个决策模型类别中尚未解决的问题。值得把这一点说清楚，因为带有 Brier 分数列的基准测试表可能让人以为校准就是验证。并非如此。校准告诉你的是：当这个模型说 80% 时，在受评估的分布上，它大约有 80% 的时候是对的——这对于设置阈值和计算期望值确实有用，但并不是对逐项正确性的保证。

记分板，在两个模型都有的行上

• 参数 — Intern-Decision-0.8B：852,985,920，分布于一个 1.50 GB 的语言分片、一个 176 MB 的视觉分片和一个 25 MB 的投影器中。MathForm 8B：8B 稠密模型，基于 Qwen3-8B。

• 基础模型 — Intern-Decision-0.8B：Qwen3.5-0.8B，发布于 2026 年 2 月。MathForm 8B：Qwen3-8B。

• 任务 — Intern-Decision-0.8B：基于你所编写的模式进行类型化决策——选择、评分、二值。MathForm 8B：自然语言数学到 Lean 4 的形式化。

• 输出 — Intern-Decision-0.8B：校准后的分布加逐字段 argmax，不生成文本。MathForm 8B：生成 Lean 4 源代码，通常较长。

• 验证 — Intern-Decision-0.8B：无外部验证；置信度为自我报告。MathForm 8B：Lean 4 编译器，外加语义一致性检查。

• 已发表的证据——Intern-Decision-0.8B：一张涵盖七项基准的厂商基准表，未经复现，无论文。MathForm 8B：一篇论文、一个约 367,000 个样本的公开数据集、一套评估流程与代码仓库，由厂商运行。

• 许可证 — 两者均为 Apache 2.0，且 Intern-Decision-0.8B 还额外附带了为其上游权重保留的 Qwen 许可证文件。

成本和延迟不可相提并论，这不是在回避问题

InternLM 在单张 RTX 4090 上通过本地 Hugging Face 路径测得 Intern-Decision-0.8B 每次查询平均耗时 33.98 ms、p95 为 37.50 ms，而其 2B 同系列模型平均耗时为 33.28 ms。MathForm 8B 自己的模型卡建议在 temperature 0.6 和 top_p 0.95 下，每次形式化最多生成 16,384 个新 token。这两项测量并不是同一个量。前者是对一个提示的一次前向传播；后者是可能运行数千个 token 的自回归生成。将一个形式化预算与 34 ms 的决策相乘，并不能说明相对效率，因为两个模型所做的工作量不同——一个读取并打分，另一个读取并写出证明脚本。如果吞吐量是你的约束，那么相关事实比一个比率更简单。MathForm 8B 每次生成只形式化一条陈述，而在一个 8B 稠密模型上每次输出 16K token，这是一个能让 GPU 饱和的工作负载，也是通过 vLLM 或 SGLang 进行批处理的候选方案，OpenBMB 对两者都有文档说明。Intern-Decision-0.8B 一次遍历就能回答覆盖整条记录的十六个问题，因此工作单位是一条记录而非一个字段，而记录预算是 8,192 token 的输入上限——当你塞入一个长状态、一个丰富 schema 以及最多八张图像时，它到来的速度会比读者预想的更快。

每种工具分别在什么情况下才是合适的工具

MathForm 8B 属于这样一条流水线：其瓶颈在于对数学的人工审阅。自动形式化之所以存在，是因为写 Lean 比读 Lean 更慢，也因为机器可检查的陈述正是证明助手随后可以攻克的。使其可信的特性——编译器验证的输出——也正是使其适用范围狭窄的特性：它做形式化，而不做证明；并且模型卡片明确说明，编译检查需要运行中的 Kimina Lean Server，而实验使用的是 Lean 4.21.0。任何采用它的人，都在采用这一整套技术栈。与任何刚发布几天或几周的开源权重模型一样，把测试路径指向它，并在其停滞时回退到经过验证的模型，是低风险评估它的方式，而这正是具备跨回退链自动故障转移的网关的用途所在——重试在响应开始前就已完成，因此停滞的形式化永远不会到达你的调用方。

Intern-Decision-0.8B 适用于已经存在封闭答案集、而为恢复该答案生成文本纯属浪费的场景。分诊、路由、评分标准打分、依据书面政策裁定记录——这些正是把生成式模型当作从列表中挑选答案的昂贵方式的情况。它的优势在于：它是确定性的；返回的是可用的概率，而不是你必须解析的字符串；并且在磁盘上仅占 1.73 GB，运行时轻松低于一台笔记本电脑浏览器的内存开销。它的劣势在于：文档只停留在 API 层面；除 InternLM 之外，无人发表过它的结果；以及唯一一个暗示安全问题的基准列——WildJailBreak 得分为 64.48，而 Jev 的为 96.29——没有得到解释。在没有亲自运行那项测试之前，不要把它置于对抗性输入面前。

这两款模型共享一条值得注意的传承脉络，因为它改变了“开放”能为你带来什么。二者都是对 Qwen 检查点的微调，并且都正确地保留了上游许可证：MathForm 8B 采用 Apache 2.0，并在模型卡上注明了 Qwen3-8B 的来源；Intern-Decision-0.8B 采用 Apache 2.0，并在代码仓库中附有单独的 LICENSE-QWEN文件。二者都不附带收入门槛或使用领域限制——这与 Liquid AI 的 LFM Open License v1.0 不同，后者将商业权利的条件设定为你所在实体的年收入低于 1000 万美元。如果你从事商业开发，这一区别正是这两次发布与小模型生态中部分产品的分野所在，而且它对二者同样适用。

如果你想要不带未记录检查点的决策层

“决策头是这个问题的正确形状”与“这个特定的决策头是你能向审阅者交代的”之间的差距，正是托管替代方案所填补的。TypeSafe 的 Jev 1.13 是 InternLM 在 Jevbench 上用来对标其整个系列的模型，在 Typed Decision 和 ToolACE 上也是如此，而且它如今可通过一个 OpenAI 兼容的单一端点调用，每百万输入 token 收费 $0.042，输出计费为零——这是厂商公布的费率，原样透传、毫无加价，而不是在传递途中被加价。对于想在为一个仓库缺失的 0.8B 检查点投入之前，先衡量决策头究竟是否有用的读者来说，这是成本低廉的第一次实验；而 Jev 自身的第三方评估赋予它可查证的业绩记录，这是 Intern-Decision-0.8B 目前尚未拥有的。

简短的回答

这两者并非替代选项。MathForm 8B 是一个专才，其输出可由程序验证，面向的是验证才是难点的任务，并且附带论文、数据集和评估框架来证明这一主张。Intern-Decision-0.8B 是一个专才，其输出只有你能验证，面向的是答案早已写下来、而难点在于快速且低成本地得到它们的任务，并且附带一个推理模块和一张表。如果你需要的是形式化，那么这些当中只有一个值得考虑。如果你需要的是标签，并且你准备好构建用来核验它的真值，那么 0.8B 是更有意思的下载——快速、确定性、Apache 2.0，而且小到足以让你弄清它到底好不好所需的成本只是一个下午，而不是一笔预算。