---

EdgeJev 把 laya、kev、PlayJev 这些开源 Jev 复现统一成一条「转换 → 量化 → 部署」的路径。跑在普通 CPU 上，一台 4 vCPU 的机器单题 15.6 ms；运行时只要 onnxruntime、tokenizers、numpy 三个包，不装 torch。

Quick start

uv tool install "edgejev[build]"
edgejev build --backend laya --out ./jev-int8

from edgejev import Agent

ag = Agent("./jev-int8")
r = ag.system_one("我的信用卡被扣了两次款，麻烦退一笔。", {
    "dept":   {"type": "choice", "instructions": "该转给哪个组？",
               "criteria": {"billing": "支付、扣款、发票、退款",
                            "technical": "程序缺陷、报错",
                            "sales": "售前咨询、定价"}},
    "urgent": {"type": "noul",  "instructions": "这条消息表达了紧急或时间压力"},
    "anger":  {"type": "score", "instructions": "客户的不满程度",
               "criteria": ["平静陈述", "有情绪但讲道理", "非常愤怒"]},
})

r["answers"]["dept"]["choice"]          # 'billing'
r["answers"]["dept"]["probabilities"]   # {'billing': 0.92, 'technical': 0.08, 'sales': 0.00}
r["answers"]["anger"]["confidence"]     # 0.41

转换那一步需要 torch，转完就可以卸掉。之后只装 edgejev 即可运行。

Model zoo

4 vCPU Intel Xeon Cascade Lake（AVX512-VNNI）。准确率由 edgejev eval --task all --n 400 跑出， AG News 4 分类、dair-ai emotion 6 分类，各 400 条，batch=1。

后端	模型	精度	体积	单题	三题	AG News	emotion	构建命令
laya	mmBERT-base 322M	fp32	1290 MB	32.1 ms	84.1 ms	92.8%	54.0%	--precision fp32
laya	mmBERT-base 322M	int8	324 MB	15.6 ms	44.8 ms	91.2%	48.2%	默认
playjev	Qwen3.5-0.8B VLM	fp32	2214 MB	1.2 s	—	—	—	--backend playjev
kev	Qwen + LoRA 0.5B–8B	—	—	—	—	—	—	导出器开发中

同一份权重的横向参照：laya 自己公布的是 T4 GPU 上 32.8 ms、CPU 上 200–500 ms； 官方 Jev 1.13 托管 API 实测中位 314 ms（含网络往返）。

官方 API 在同样 400 条上的成绩：AG News 85.5%、emotion 61.5%（Vercel AI Gateway，原生 criteria）； 88.0% / 62.7%（classifier.dev，光标签）。laya 在 AG News 上高 5–7 点，emotion 上低 8–11 点。 laya 的 README 声称 DAIR Emotion 0.595 对 Jev 0.480，这个方向在上表里没有复现出来。

与上游的一致性

--precision fp32 与上游 laya（PyTorch）逐位一致。对拍覆盖 choice / score / noul 三种原语、 中英文、字符串与 dict 状态、带描述与不带描述的 criteria：

项	偏差
概率	0.00000
置信度	0.000000
input_tokens	完全相同

playjev 后端没有上游数值可对，改用分布核对：五个游戏画面给出不同的 argmax 与分布形状， max(p) 落在上游公开回放的区间内（167 步真实对局，最小 0.604 / 中位 0.827 / 最大 1.000）。

怎么选精度

下表由 quant_dataset.py 跑出，两个任务都用带描述的标签、batch=16，所以数值与上面的 zoo 表 不能直接比较，但档位之间可以横向比：

精度	体积	单题	AG News	emotion	说明
fp32	1290 MB	32.1 ms	92.8%	47.0%	与上游逐位一致
int8 per-tensor	324 MB	15.6 ms	90.5%	52.2%	默认
int8 per-channel	325 MB	16.7 ms	90.2%	53.0%	--precision int8-pc
int8 pc + reduce_range	325 MB	16.5 ms	91.0%	54.2%	两项都接近最好
int8 混合（决策路径 fp32）	366 MB	19.2 ms	90.2%	52.8%	--precision mixed
uint8 per-channel	325 MB	27.9 ms	91.0%	48.5%	见下
int8 但嵌入表保持 fp32	915 MB	23.9 ms	91.0%	51.5%	见下
int8-static	326 MB	195 ms	25.8%	29.8%	不可用，见下

几条实测结论：

动态量化的结果依赖 batch。 激活的量化 scale 在运行时按实际张量计算，padding 一变 scale 就变。 同一条输入单独跑和跟别人一批跑，logits 最大差 2.43；fp32 ONNX 同样对比是 0.000。 Agent.system_one 是单请求路径，zoo 表的数字不受影响；自己写批量推理的固定 batch=1 或用 fp32。 edgejev build 会检查这一项并在不满足时警告。

int8-static 目前不能用。 它做到了批次无关（漂移 0.0e+00），但 MinMax 标定下精度掉到随机水平， 而且比动态量化慢约 4 倍。入口保留着，等换 Percentile 或 Entropy 标定。

QUInt8 没有理由选。 同样 8 bit、同样体积，x86 的 AVX512-VNNI 只对有符号 int8 有快路径。 ARM 走 SDOT，这一条不适用。

把嵌入表排除在量化之外没有收益。 322M 参数里 196.6M 是 256k 词表的嵌入表，看上去像精度损失的大头， 但保留它精度并不回升，体积从 324 MB 涨到 915 MB。

fp16 在 x86 CPU 上没有意义。 没有 avx512_fp16，ONNX Runtime 的 CPU EP 会转回 fp32 计算； 另外 onnxconverter_common 的 fp16 pass 处理不了 dynamo 导出图里的 _to_copy 节点，转出来加载失败。

起一个官方协议的服务

edgejev serve --model ./jev-int8 --port 8009
export TYPESAFE_BASE_URL=http://127.0.0.1:8009
export TYPESAFE_API_KEY=local

官方 SDK 改一个 base_url 就切过来，可以先用官方 API 把代码写完再换本地。

CLI

命令	作用
edgejev build	checkpoint → ONNX → 量化 → 多形状自检
edgejev serve	POST /v1/systemone
edgejev eval	AG News / emotion 上跑指标
edgejev bench	测延迟
edgejev info	provider 与已注册后端

后端

开源 Jev 复现的序列构造、注意力、读出方式各不相同。EdgeJev 把共性放进 edgejev/core/， 一个后端只声明四个维度：

SPEC = BackendSpec(
    name="kev",
    layout="packed_branches",
    attention="block_causal",
    readout="model_logits",
    runtime="onnx",
)

后端	布局	注意力	读出	运行时
laya	每题一行，[MASK] 标记位	bidirectional	打分头随模型进图	ONNX
kev	多题打包一条序列	block-causal + 选项隔离	PointerHead	ONNX
playjev	画面 + 字母清单	causal	词表字母槽	torch

渲染、掩码、温度标定、置信度、答案组装都在 core 共用。laya.py 17 行、kev.py 20 行、playjev.py 32 行。

playjev 走 torch 而不是 ONNX：Qwen3.5 的文本塔是混合线性注意力，linear_attention 层依赖 causal_conv1d 和 flash-linear-attention 的递归状态核，没有对应的 ONNX 算子。

安装

uv tool install edgejev              # 全局命令
uv add edgejev                       # 或加进项目，跑的时候 uv run edgejev
uvx --from edgejev edgejev info      # 或临时跑一次

extra	什么时候需要
edgejev[build]	跑 edgejev build，需要 torch / transformers / laya
edgejev[vlm]	playjev 后端，需要 torch / torchvision / pillow
edgejev[train]	edgejev.train 训练模块

平台

平台	Execution Provider
Linux / Windows x86	CPU（AVX512-VNNI / AVX2）
macOS Apple Silicon	CoreML，不支持的算子回退 CPU
Linux ARM	CPU（int8 走 SDOT）

edgejev info 看实际选用的，--provider cpu 或 EDGEJEV_PROVIDER=cpu 强制。

训练

edgejev.train 与推理共用同一个渲染器，训练序列和线上请求逐 token 相同。

• losses.py — 严格恰当评分规则（log score + spherical，score 型加 ranked probability score）， 优化概率校准而不是 argmax 正确。另含 ECE 与可靠性分桶。
• data.py — 硬标签与软标签统一成目标分布。
• model.py — 任意 HF 编码器 + 两层 transformer head + 标记位打分头，训完可被 edgejev build --backend laya 导出。

Acknowledgements

• NandhaKishorM/laya — laya 后端的模型与渲染逻辑
• jaredpalmer/kev — kev 的打包布局、block-causal 掩码与 PointerHead
• OmniJev/PlayJev — playjev 的提示格式与字母槽读出
• jhu-clsp/mmBERT — laya 的编码器骨干
• TypeSafe AI — Jev 与 /v1/systemone 协议

License

Apache-2.0。权重与 tokenizer 的许可归各自上游所有。本项目与 TypeSafe AI 无隶属关系。