Julia 1 发布｜一个 144.3M 参数、只做「从候选里选一个」的决策模型，凭什么值得开发者看一眼

2026年10月1日

Supersonic Labs 放出了 Julia 家族的第一款模型 Julia 1。144.3M 参数，不算大，官方也明说这是「训练系统的第一次公开测试」。它最特别的地方在于：不是一个聊天生成模型，也不是传统的文本分类管道，而是一个专门做「给定上下文和候选答案，选出一个」的决策模型。同样一个接口，能跑分类、路由、有序打分、布尔判断四种活儿，一次调用解决。

这类「决策小模型」在圈子里逐渐有了一席之地，主要价值在路由和调度这种场景。传统做法是写规则、枚举关键词、维护分支顺序，麻烦不说，改一个 label 就要改一遍逻辑。Julia 的玩法是把 context 和候选答案的语义一起读进去，模型自己判断该选哪个，不用为每个新流程加新的输出头。

它能干嘛，不能干嘛

看评测数据要清醒。官方在 2026-09-24 用 H200 BF16 跑了几个 benchmark：Typed decisions 73.15%，AG News（4 标签）94/100，DAIR Emotion（6 标签）86/100，MASSIVE 52 个 locale 全量场景分类 71.50%。这几个数字里，Emotion 比参考的 Jev 高 38 个点很亮眼，但 Banking77 pilot 只有 64/100，反而低于参考值的 87。

这就是我前面说的要点：Julia 擅长的是「清楚的二选一或几选一」。它比较的是你提供的答案，不负责补全缺失的事实、不解方程、不背长链计算。选项措辞含糊、领域陌生、标签列表太长，都可能翻车。100 个样例的 pilot 是积极信号，不是新工作流的保证——想用之前，拿自己真实的题目和选项先验一遍。

WebGPU 和 ONNX 是加分项

官方单独搞了个 Julia-1-ONNX 仓库，放了完整 ONNX 导出和 JavaScript WebGPU 适配层，通过 ONNX Runtime WebGPU 在浏览器里跑推理，模型只加载一次、常驻内存预热。对想做本地路由、又不想伺候 Python 环境的场景，这是个实在的选项。

动手也简单：Python 3.11+，CPU 推理用标准 PyTorch 就行，不用编译原生 router。下载整个仓库（含 550.5 MiB 的 checkpoint），装个 pip 包就能跑。接口是 predict(state=..., questions=...)，question 里能定义 choice、score、noul 三种类型，返回完整 softmax 概率，不搞显示取整。

几句实话

几个坑得记住。原生调用每次只接受 2-20 个选项，分组路由在缩小范围时可能把正确答案丢掉。FP32 权重占 550.5 MiB，跑 8k token 的 CPU smoke test 是通过了，但 8k 任务的实际准确率没有数据背书——历史 benchmark 用的是 1,024 token。模型 artifacts 是 Apache 2.0 协议，但训练管线不包含在仓库里，官方也明说这不是 Transformers AutoModel 的替代品。

Julia 1 给开发者最大的价值，是提供了一个轻量、可本地部署、能跑在浏览器里的「决策判断」组件。它不承诺通用智能，评测里也写清楚了强项和短板。这种把定位说透的模型发布，比那些什么都想碰一下的通用大模型反而更让人愿意上手试。想用的人，按自己的 question/options 验一遍就知道了。