9.1 Jev-Kev-Laya 逐项对照
9.1 Jev-Kev-Laya 逐项对照
本节摘要：三向选型先立坐标系。六轴逐项过：精度——Jev 托管最强，Kev 以开源权重做到最接近（官方口径 0.851 对 0.857），laya 微调后可达业务可用但天花板靠自己的数据；延迟——laya 官方口径 32.8 毫秒对 Jev 236~276 毫秒，Kev 取决于自建推理的卡与尺寸；语言——laya 100+ 语言（mmBERT 底座，官方口径），Jev 与 Kev 的覆盖以各自官方文档为准；算力——laya CPU 可跑，Kev 要 GPU，Jev 零算力（全托管）；成本——Jev 按量计费、laya 自有硬件近乎边际免费、Kev 介于其间（显存与运维）；微调门槛——Jev 托管侧能力最省、Kev 训练自由度最大、laya 微调最轻（第 5 章的免费 notebook 路线）。每轴都配「常见误区」一列——选型翻车多半不是数字错，是口径错。数字凡标官方口径者出自各方官方 README，其余为示意或定性。
学习目标
- 按六轴说出三个方案各自的强弱与口径来源。
- 指出每轴上最常见的选型误区（口径错、量级错、隐藏成本漏算）。
- 用「延迟预算与日均调用量」把成本轴从定性变成可自算。
- 复述精度轴的关键事实：Kev 0.851 对 Jev 0.857（官方口径），laya 无对应口径、以自测留出集为准。
一、对照表
| 轴 | Jev（托管） | Kev（开源自训） | laya（轻量） |
|---|---|---|---|
| 精度 | 托管最强（官方口径） | 与 Jev 最接近：0.851 对 0.857（官方口径） | zero-shot 近随机，微调后业务可用，天花板取决于数据（官方口径加定性） |
| 延迟 | 236~276 毫秒（官方口径） | 取决于尺寸与卡（0.8B 到 27B，自建） | 32.8 毫秒（官方口径），CPU 可跑 |
| 语言 | 以官方文档为准 | Qwen 底座多语言能力（官方口径） | 100+ 语言（mmBERT，官方口径） |
| 算力 | 零（全托管） | 要 GPU：尺寸越大卡越贵 | CPU 可跑（BERT 级，官方口径） |
| 成本 | 按量计费，量大时显著 | 显存与运维的人力 | 自有 CPU 近乎边际免费，微调可用免费 GPU（第 5.2 节） |
| 微调门槛 | 托管侧能力，不可自训 | 自由度最大，工程量也最大 | 门槛最低：偏好数据加官方 notebook（第 5 章） |
读表纪律与全书一致：官方口径的数字引用时带口径（谁家的 README、什么环境）；未标口径处是定性判断；你的业务数字只能来自你的留出集——尤其 laya 这一列，zero-shot 近随机意味着它没有「开箱精度」可言，这列的正确读法是「微调后你能到哪，取决于第 5 章做得好不好」。
二、精度轴：三种强法不一样
精度轴最容易读错，因为三个方案的「强」不是同一种东西。Jev 的强是开箱的强：托管模型的通用判断能力，拿来就用（按官方口径与独立评测为准）。Kev 的强是逼近的强：0.851 对 0.857（官方口径）说明自训开源权重已经贴近托管上限——但这个数字是「按 Kev 官方配方训练」的结果，你的数据、你的训练水平会重写这个数字。laya 的强是域内的强：微调后在你自己的封闭任务上可以很准（第 5.3 节案例），但域外泛化弱（第 10 章）——它的精度曲线是「域内尖峰型」，与前两者的「通用高原型」形状不同。
由此得到精度轴的选型判据：任务与公开能力重合（通用意图识别、常见分类）——Jev 或 Kev 的通用强直接可用；任务是私域的（自家工单体系、自有风控规则）——大家的通用强都帮不上忙，比的是谁的微调路线便宜，laya 在这里翻身（第 5 章路线最轻）；任务既通用又高基数（约 20 个以上选项）——官方口径 Jev 更强，laya 侧要走第 6.3 节补偿。
三、延迟与算力轴：一笔账
延迟轴 laya 占优是结构性的：非自归单次前对自回归生成，官方口径 32.8 毫秒对 236~276 毫秒（Jev）约一个数量级；Kev 的延迟是自变量——0.8B 尺寸配好卡能进百毫秒内，27B 尺寸则是另一回事（定性判断，以实测为准）。延迟选型的正确姿势是倒着算：业务给单次判断的预算是多少（在线路由链路可能只给得出 50 毫秒）、日调用量多大——预算卡死在 50 毫秒以内，Jev 的官方口径就出线了；预算宽到三百毫秒，三者在延迟上都合格，权重移到精度与成本轴。
算力轴接着算：laya 的 CPU 可跑把部署门槛降到「一台普通服务器」（第 4.2 节 3 GB 内存加 2 核起步的示意配置）；Kev 的 GPU 需求按尺寸阶梯上涨（定性）；Jev 零算力但流量出域。算力轴常漏算的是「微调算力」：laya 有第 5.2 节的免费路线（Kaggle 2×T4，官方口径），Kev 的训练算力是硬投入，《Kev 实战：训练并运行你自己的决策模型》第 07 章《微调实战》展开过这条线的成本结构。
四、成本轴：从定性到可自算
成本轴的翻车点是把「单价」当「总账」。一张自算模板（数值示意，填你的业务数字）：
成本速算（示意公式） Jev： 日调用量 × 单价 × 365 Kev： GPU 台数 × 月租 + 运维人力 + 训练成本摊销 laya： CPU 机器台数 × 月租 + 微调人力（一次性为主）+ 校准运维（第 7、10 章） 三个隐藏项常被漏算： 1. laya 的「自校准运维」——重拟合温度、漂移监控的人力（第 10.3 节） 2. Kev 的「训练迭代」——不止训一次，业务漂移要重训（同上逻辑） 3. Jev 的「数据出域成本」——合规审查、敏感数据脱敏，有时是硬门槛
量级直觉（示意判断）：低频少量（每天几千次）三个方案总账都小，按易用性选；高频海量（每天千万次）Jev 的按量账单与 laya 的边际免费形成数量级差，laya 或混合架构的优势放大；中间地带看第 5 项隐藏项——数据能不能出域，经常一票定音。
五、语言与微调门槛轴
语言轴：laya 的 100+ 语言来自 mmBERT 底座（官方口径），多语言混合流量还有 Router 按脚本分流（第 2 章）——跨语言一致性它是结构化解决的；Kev 的多语言承自 Qwen 底座（官方口径）；Jev 的语言覆盖以官方文档为准。选型判断：流量天然多语言（东南亚市场、欧洲多语区）时 laya 的这一轴权重升高；单语言业务此轴基本 neutral。
微调门槛轴：Jev 把训练完全托管（你要的定制通过其产品能力表达）；Kev 给最大自由度——底座尺寸、训练配方、部署形态全自主，代价是《Kev 实战》整本书要讲的事都是你的事；laya 的路线最轻——第 5 章一条「偏好数据加免费 notebook 加留出集验收」的流水线，几百条数据起步（示意量级）。判据是团队画像：有训练工程能力的团队在 Kev 上自由度变现；小团队或算法人力稀缺的团队，laya 的低门槛加 Jev 的托管能力之间二选一，选谁看成本轴与数据出域项。
六、六轴的常见误区清单
| 误区 | 真相 |
|---|---|
| 拿 laya 的 32.8 毫秒比 Kev 27B 的延迟 | 尺寸都没对齐，量级对比无意义；同口径再比 |
| 把 Jev 按量计费直接判「贵」 | 低量级下总账可能最便宜（零运维零算力） |
| 把 laya 当「便宜版 Jev」平替 | zero-shot 近随机（官方口径），不带微调投入的平替必翻车 |
| 把 Kev 的 0.851 当自己的预期 | 那是官方配方的数字，你的数据重写它 |
| 漏算 laya 的校准运维成本 | 温度重拟合与漂移监控是持续投入（第 10.3 节） |
| 高基数场景硬上 laya | 约 20 个以上选项 Jev 更强（官方口径），先看第 6.3 节再定 |
七、一次完整走查（示例）
光读表不会用表。用一个假想业务把六轴走一遍：跨境电商的评论自动处理——日均 300 万条评论要判断「好评/差评/疑似刷单/需人工」四类，流量里英语、西语、泰语、中文混杂，业务要求单条处理预算 60 毫秒，评论数据可以出域，团队两人、无训练工程师。
| 轴 | 打分（本例） | 依据 |
|---|---|---|
| 精度 | 任务封闭、类目固定 → 域内强即够用 | 四类判定的对错可由人工抽检定义，不需要通用高原 |
| 延迟 | 60 毫秒预算 → laya 直接合格 | Jev 官方口径 236~276 毫秒出线；Kev 要小尺寸加好卡才可能进线 |
| 语言 | 四种语言混合 → laya 结构化占优 | mmBERT 100+ 语言加 Router 分流（官方口径），无需四套模型 |
| 算力 | 团队两人无 GPU 运维 → CPU 可跑是硬优势 | Kev 的 GPU 阶梯在这个团队画像下先出局 |
| 成本 | 日均 300 万次 → 按量计费敏感 | Jev 账单随量线性走；laya 边际免费但要付微调与校准人力 |
| 微调门槛 | 有历史人工标注可攒偏好数据 → 门槛可跨 | laya 路线最轻（第 5 章），且评论场景天然有标注来源 |
走查结论：六轴里三轴指向 laya（延迟、语言、算力），一轴反指（成本里的微调人力），两轴中性偏正（精度域内可解、门槛可跨）——这是 laya 的典型主场画像。反过来走一遍也成立：如果这个业务日均只有三千条、纯英语、延迟不敏感，六轴里只剩「省事」一条有分量，答案立刻翻成 Jev 托管。同一张表、两种结论，差别全在业务参数——这就是「坐标系」的含义：表不替你选，表让你的选择有据可查。
走查后的自测提醒（呼应第 9.2 节收尾纪律）：上述推理要用留出集验证，特别是「精度域内可解」这一条——四类判定里最难的是「疑似刷单」，先在留出集上看微调后的 laya 对这一类的召回，再决定要不要把这一类单独拆给 Jev 兜底（混合架构的入口）。
走查还差最后一步：定轴的权重。上面的走查隐含了「六轴等权」，真实选型要按业务显式加权，方法用最简单的三档法（示意）：
| 档 | 含义 | 本例的分配 |
|---|---|---|
| 一票项 | 不满足即出局 | 延迟、数据出域 |
| 加权项 | 按重要性计分 | 语言（高，混合流量）、成本（高，300 万次日均）、精度（中，域内可解） |
| 记录项 | 只记录不参与裁决 | 微调门槛（团队已确认可跨） |
权重表写下来并与走查结论一起归档——半年后业务参数变了（量级翻倍、新增语言、延迟预算收紧），拿出这张表重走一遍，结论怎么变的、为什么变，全部可追溯。选型文档的价值不在这一次，在下一次。
本节要点回顾
- 六轴口径各异：精度三种强法不一样（开箱强、逼近强、域内强）；延迟 laya 结构性占优（官方口径一个量级）。
- 延迟轴倒着算：业务预算反推合格名单；算力轴别漏微调算力（laya 有免费路线）。
- 成本轴算总账：三方案各有隐藏项——laya 的自校准、Kev 的重训、Jev 的数据出域。
- 语言轴 laya 结构化解决（mmBERT 加 Router）；微调门槛轴按团队画像选。
- 误区清单六条：数字对口径、成本算总账、laya 不微调不上线、高基数先看补偿。
- 走查是表的用法：业务参数变了结论就变——表不替你选，表让选择有据可查。
坐标系立好了，下一节把它变成操作：一棵决策树分流四条路——laya、Kev、Jev、混合架构，每片叶子配上成立条件。