deVision

deVision = Decision + Vision：看图做决策。输入一张图片和若干英文问题，输出 Jev 格式的答案（noul 是非题 / choice 选择题）和校准过的概率。SigLIP2 看图，Laya 的 ModernBERT 决策头打分，不生成文字；没有 GPU 也能跑。

模型在 Hugging Face：lukbit/devision（当前 v0.2）。

安装

pip install "devision @ git+https://github.com/byebyebruce/devision"            # 推理 + HTTP 服务
pip install "devision[train] @ git+https://github.com/byebyebruce/devision"     # 再加训练

需要 Python 3.11+。在本仓库里开发用 uv sync。

Python

import devision

decider = devision.load("lukbit/devision")   # Hugging Face 上的最新版；也可传本地 checkpoint 目录
# 固定版本 revision="v0.2"；设备默认 auto（CUDA > MPS > CPU），可指定 device="cpu"

result = decider.predict(            # 与 decider.decide(...) 相同，predict 是 Laya 的叫法
    image="kitchen.jpg",
    state="",                        # 文字背景；没有就传 ""
    questions={
        "has_fork": {"type": "noul", "instructions": "Is there a fork in the image?"},
        "room": {"type": "choice", "instructions": "Which room is this?",
                 "criteria": {"kitchen": None, "bathroom": "has a sink and a toilet", "bedroom": None}},
    },
)
print(result["answers"]["has_fork"]["noul"])        # 陈述成立的概率
print(result["answers"]["room"]["choice"])          # 概率最高的选项
print(result["answers"]["room"]["probabilities"])   # 每个选项的概率，和为 1

• image：本地路径、http(s) URL、Data URI、Base64、bytes 或 PIL 图片。
• state：文字背景，字符串、对象或数组，和 Jev 一样。
• 请求不合法时抛出 devision.InvalidRequest。

HTTP 服务

devision-serve --checkpoint lukbit/devision --port 8000   # 浏览器打开 http://127.0.0.1:8000 是 web demo

常用参数：--revision v0.2 固定版本，--device cpu|cuda|mps（默认自动），--no-demo 只开接口。

curl -s http://127.0.0.1:8000/v1/systemone -H 'Content-Type: application/json' -d '{
  "image": "https://example.com/kitchen.jpg",
  "state": "customer says the order arrived damaged",
  "questions": {
    "has_fork": {"type": "noul", "instructions": "Is there a fork in the image?"},
    "room": {"type": "choice", "instructions": "Which room is this?",
             "criteria": {"kitchen": null, "bathroom": "has a sink and a toilet", "bedroom": null}}
  }
}'

{
  "model": "devision-v0.2",
  "answers": {
    "has_fork": {"type": "noul", "noul": 0.03},
    "room": {"type": "choice", "choice": "kitchen",
             "probabilities": {"kitchen": 0.81, "bathroom": 0.07, "bedroom": 0.12}, "confidence": 0.72}
  },
  "usage": {"input_tokens": 180, "output_tokens": 0}
}

• 请求：image 是 http(s) URL、Data URI 或 Base64（不读服务器本地文件）；choice 有 2–255 个选项，criteria 的值可以加一句说明帮模型区分；不支持 score。
• 响应与 Jev 相同：noul 是陈述成立的概率；confidence = (n·p_max − 1)/(n − 1)。请求不合法返回 422。
• 速度：Mac CPU 上单题约 0.15 秒；同一请求里多道题共用一次图片编码。

适合做什么

用概率做阈值，没把握的转给人或更强的模型；阈值请在自己的数据上验证。

• 适合：有没有某物、有几个（用选择题问）、是什么类别、颜色材质、室内室外、照片里的上下左右（用选择题问）。
• 不适合：示意图、图表、地图上比较两处；相对位置的是非题；图中小字（输入 256×256）；非英文、多张图。

效果

v0.2 与 laya-vision 201M 在同一批题上逐题比较（差值 95% 区间按图片重采样）：

完整结果和每一轮的训练记录见 docs/training-log.md，模型结构和设计见 docs/spec/vision-decision-mvp.md。

训练

uv run devision-pipeline configs/example.yaml    # 用示例数据跑通一遍，CPU 上一两分钟
bash scripts/data/build_all.sh data              # 从公开数据集生成训练数据（几十 GB、几个小时）
uv run devision-pipeline configs/scratch.yaml    # 从头训练

每一轮训练是 configs/ 里的一个 YAML，再跑同一个 YAML 是续跑。数据格式见 examples/train/，发布版 v0.2 的配置是 configs/v12-ext.yaml。

许可

代码和权重为 Apache-2.0。训练数据各有条款，部分非商用（如 ScienceQA），请按用途自行核对。