困难样本准确率 · JevBench 配置
Jev
74.1%
Laya
34.1%
该结果对应英语 421M 检查点，不代表所有 Laya 变体。
模型适配简报 · JevBench v1.3.0
哪一个 Laya 检查点适合你的工作流？
需要结合具体检查点、语言、输入长度和推理运维责任来选。
Laya 是一组开放检查点，包含英语、多语言和类型化决策版本；Jev 则面向无需微调即可使用的类型化决策。
影响选择的实测数据
把榜单看作起点，而不是最终结论
榜单中的 Laya 配置是英语 ModernBERT-large（421M），在 CPU 上以 512-token 预算运行。其他 Laya 检查点需要单独评估。
上下文预算
Jev
64k tokens
Laya
512–1,024 tokens；部分变体支持至 8k
受测英语检查点使用 512 tokens；输入前应确认所选变体的限制。
部署控制权
Jev
托管 API
Laya
开放权重
数据必须留在内网时，本地部署是重要优势。
根据数据集成熟度来选
项目处于不同阶段，同一模型的适配度也会变化。
01
标签还在变化，可用样例也很少。
Jev 适合先做验证可以在投入训练流水线前，先定义问题并建立零样本基线。
02
已有标注数据，任务范围也稳定而明确。
评估匹配的 Laya 检查点开放检查点可按语言和类型化决策需求选择，并将推理保留在自己的环境中。
03
工作流需要多语言或严格的数据边界。
Laya 值得重点评估mmBERT 检查点面向 100 多种语言，也可在自有环境中运行；请按语言检查自有数据上的质量。
开发与运维责任
比较首次获得可靠决策之前需要投入的工作。
Jev · 即用 API
无需训练流水线即可建立基线
当产品团队还在摸索重要标签和边缘案例时，更短的验证路径会很有帮助。
- 开始测试不需要标注数据集或部署 GPU。
- 一次请求可以包含较长的共享上下文和多个类型化问题。
Laya · 开放权重
按语言与输入需求选择检查点
流量达到一定规模时自托管可能更合适，但团队要承担检查点选择、评估、校准、监控和服务部署。
- 英语 ModernBERT-large（421M）上下文为 512 tokens；多语言 mmBERT（322M）和类型化决策 ModernBERT-large（421M）为 1,024 tokens，部分变体支持至 8k。
- Tesla T4 上的公开延迟取决于硬件，不能直接和 CPU 或托管网络数据混比。
部署前检查
在对测中明确写下这些约束。
- 训练
- Jev面向零样本类型化决策
- Laya可按需选择英语、多语言或类型化决策变体
- 语言
- Jev当前榜单表现以英语最强
- LayammBERT 检查点面向 100 多种语言
- 长输入
- Jev每次请求 64k tokens
- Laya依变体而定：512–1,024 tokens，部分支持至 8k
- 运维
- Jev托管 API 和用量积分
- LayaApache-2.0 权重，团队负责推理服务
数据来源与范围
JevBench 中的 Laya 行对应英语 ModernBERT-large 421M 检查点，在 CPU 上以 512-token 预算评测。Laya 目前发布了语言和上下文能力不同的多个检查点；部署前请按计划使用的具体检查点和硬件复测。