Hugging Face发布SearchJev：革新搜索智能体决策效率与可靠性

摘要：Hugging Face推出了一款名为SearchJev的新模型，旨在提升搜索智能体的决策效率与可靠性。SearchJev通过分离系统1（快速决策）和系统2（复杂推理与生成），实现了对搜索状态和决策模式的快速评分，避免了生成式语言模型带来的延迟和不稳定性问题。该模型采用软标签学习（SLCD）技术，从不确定的监督数据中学习决策概率并校准置信度。在SearchDecision-Bench基准测试中，SearchJev相较于同等规模的Qwen3.5自回归模型，决策质量提升显著，决策速度提高了5.2-5.3倍，平均预期校准误差降低了41-74%。在BrowseComp-Plus测试中，双系统智能体在活跃搜索时间上实现了3.7-4.7倍的速度提升，同时将答案准确率从45%提升至最高54%。

---

核心突破

Hugging Face近日发布了一款名为SearchJev的新模型，旨在解决搜索智能体在决策过程中面临的延迟和可靠性问题。SearchJev的核心创新点包括：

• 系统1与系统2的分离：SearchJev将快速决策（系统1）与复杂推理和生成（系统2）分离，通过直接评分合法选项，避免了生成式语言模型的延迟问题。
• 软标签学习（SLCD）：该技术使模型能够从不确定的监督数据中学习决策概率，并校准其置信度，从而提升决策的可靠性。
• SearchDecision-Bench基准测试：SearchJev在SearchDecision-Bench上表现优异，决策质量超过同等规模的Qwen3.5自回归模型，决策速度提高了5.2-5.3倍，平均预期校准误差降低了41-74%。

技术亮点

1. 双系统架构：SearchJev采用双系统架构，将快速决策与复杂推理分离，提升了整体效率。
2. 软标签学习：通过SLCD技术，SearchJev能够从不确定的监督数据中学习并校准决策概率。
3. 高性能表现：在多个基准测试中，SearchJev展示了其在决策质量和速度上的显著优势。

行业影响

SearchJev的发布标志着搜索智能体领域的一次重要进步。其高效、可靠的决策能力不仅提升了用户体验，还为AI在复杂任务中的应用提供了新的可能性。例如，在信息检索、电子商务和智能客服等领域，SearchJev有望大幅提升智能体的响应速度和准确性。

开发者建议

• 应用场景探索：开发者可以尝试将SearchJev应用于信息检索、电子商务和智能客服等场景，以提升智能体的决策效率。
• 模型优化：结合具体应用场景，进一步优化SearchJev的决策逻辑和校准机制，以实现最佳性能。
• 持续关注：关注Hugging Face后续发布的更新和扩展功能，以充分利用SearchJev的优势。

---

消息来源：Hugging Face Daily Papers (2026-10-04)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #决策模型 关注 #搜索智能体 关注 #AI效率 关注