Jev 实测续篇：把 AnyJev 和 Kev 放到 GPU 上，三道维基百科寻路题跑得怎么样？
上一篇 Jev 实测发出时，我测了 Jev、几个 API 模型和一些本地方案。文章最后留了一个问题：如果把自部署模型搬到 GPU，或者换一个更大的决策模型，能不能接近 Jev？
这几天我沿用原来的三道维基百科寻路题，又补测了 AnyJev 和 Kev。Kev 的 0.8B、4B 放在 Kaggle T4 上跑；9B 装不进单张 T4，于是放到 Modal L40S。为了不只拿不同 GPU 的时间作比较，我也在 L40S 上跑了一轮 Kev-4B。
先说结果：9B 确实能在 Modal 上跑完三题，但这轮并没有比 4B 更适合寻路。 Jev 在这组新增方案面前，仍然用了最少的点击。下面是具体数据和我觉得更值得注意的地方。
还是原来那三道题
任务没有换：DNA → Manipuri pony、Music → 2001 AAA Championships、World War II → Bald Mountain Recreation Area。每一步只能点击当前维基百科页面里实际存在的文章链接，不能直接搜索目标；每题最多给 60 分钟动作时间。
“点击”是已经执行的页面跳转次数，不是模型调用次数。“动作耗时”包含模型选择、网页加载和页面观察，不包含权重下载、模型加载与环境安装。超时题已经花掉的时间和点击也算进总数。Jev 使用上一篇统一协议测试的结果；新增实验是在几天后跑的，实时网页可能变化，所以这不是把所有模型放在同一秒、同一台机器上的严格擂台赛。
这些名字也容易混淆。AnyJev 是把开放模型变成 Choice、Score 等决策器的框架，这次我用的是它的 L0 方式加 Qwen3-4B；Kev 是另一组已发布权重的决策模型。它们都不是 Jev 的开源权重，也没有与 Jev 完全相同的底层实现。
补测结果放在一起
| 配置 | 完成 | 三题总点击 | 动作总耗时 | 固定 255 候选决策中位数 |
|---|---|---|---|---|
| Jev / API，上一篇基线 | 3/3 | 16 | 181.554 秒 | 0.514 秒 |
| AnyJev L0 + Qwen3-4B / Kaggle T4 | 1/3 | 135 | 10,419.800 秒 | 57.247 秒 |
| Kev-0.8B / Kaggle T4 | 1/3 | 2,532 | 7,932.384 秒 | 1.665 秒 |
| Kev-4B / Kaggle T4 | 3/3 | 104 | 995.211 秒 | 4.820 秒 |
| Kev-4B / Modal L40S | 3/3 | 110 | 209.896 秒 | 0.827 秒 |
| Kev-9B / Modal L40S | 3/3 | 270 | 537.473 秒 | 1.058 秒 |
固定 255 候选用的是保存下来的同一组页面链接，计时不含首次加载。表里取 DNA、Music、二战三个样例的中位数；Jev 的每个样例曾重复三次，新增配置的每个样例测了一次。不同方案处理一页链接的方法也不同：Jev 在不超过 255 项时直接 Choice，更多时先 Score 再 Choice；Kev 把全部候选分组淘汰；这次 AnyJev 先给全部链接打分，再从前 26 项里选。因此固定样例的秒数是整套选路流程的耗时，不能当作模型本体的纯推理速度。
再看每道题。每格依次是结果、点击数和动作耗时：
| 配置 | DNA | Music | World War II |
|---|---|---|---|
| Jev / API | 成功；5 次；49.118 秒 | 成功；7 次；68.786 秒 | 成功；4 次；63.650 秒 |
| AnyJev / Kaggle T4 | 成功；40 次；3211.928 秒 | 超时；43 次；3604.224 秒 | 超时；52 次；3603.648 秒 |
| Kev-0.8B / Kaggle T4 | 超时；1139 次；3600.878 秒 | 超时；1150 次；3600.915 秒 | 成功；243 次；730.591 秒 |
| Kev-4B / Kaggle T4 | 成功；10 次；128.925 秒 | 成功；57 次；621.333 秒 | 成功；37 次；244.953 秒 |
| Kev-4B / Modal L40S | 成功；10 次；32.677 秒 | 成功；10 次；34.725 秒 | 成功；90 次；142.494 秒 |
| Kev-9B / Modal L40S | 成功；159 次；300.257 秒 | 成功；91 次；177.449 秒 | 成功；20 次；59.767 秒 |
单步很快，为什么整题还是会慢？
Kev-0.8B 是最直接的例子。它在 Kaggle T4 上处理固定 255 个候选，大约 1.7 秒就能作一次选择，比同一张卡上的 Kev-4B 快。但 DNA 和 Music 都走满一小时，分别点击了 1139 次和 1150 次，仍没到终点。二战题虽然成功，也走了 243 次。省下一次选择的几秒，抵不过选错方向后多走几百页。
AnyJev 的问题则同时出在路径和每页处理量上。我用的是无需 WikiRace 标注训练的 L0 + Qwen3-4B：它的 Choice 一次最多放 26 项，所以正式运行采用“先给所有链接打分，再选前 26 项”的方案。DNA 最后成功了，但用了 40 次点击、约 53 分钟；另外两题超时。有一步遇到 3401 个合格链接，仅这一页的选择就花了约 933 秒。它的固定目标位置检查是 9/9，说明直接看到目标时能选中，但不能据此推断它会找多跳路线。这次结果只能说明这套具体配置不能平替 Jev，不能推成 AnyJev 换模型、训练任务头后也一定不行。
我还试了 AnyJev 的纯 Choice26 分组版本。它完成了部分固定输入，但在第三个整页探针遇到 CUDA 显存溢出，没有进入三题正式比赛；所以表里没有把它硬算成“0/3”。
4B 和 9B：模型更大，路线却没有更短
Kev-4B 在 Kaggle T4 上三题全过，总共 104 次点击、约 16 分 35 秒。放到 Modal L40S 后也是 3/3，110 次点击、约 3 分 30 秒。L40S 上单步选择更快，是总时间缩短的重要原因；但两轮的 Music 路线差了很多，Kaggle 走 57 次，Modal 只走 10 次。Modal 使用 BF16，Kaggle 使用 FP16，Wikipedia 页面也可能变化，我不能把总时间差全部算成“L40S 比 T4 快了多少”。
Kev-9B 在 L40S 上以 BF16 跑通，峰值 PyTorch 分配显存约 18.1 GB，没有显存溢出。它同样三题全过，但合计用了 270 次点击、约 8 分 57 秒；同型号 GPU 上的 4B 是 110 次、约 3 分 30 秒。固定输入把目标直接放进 255 个候选的九项检查里，4B 答对 9 项，9B 答对 7 项。
不过，9B 也不是每题都落后。二战题它只走了 20 次，4B 的 Modal 轮却走了 90 次；而 DNA 是 9B 的 159 次对 4B 的 10 次。三题里一条路线的偏航就能大幅改变总数。因此我现在只会说：在这三道题和这套实现下，4B 是更合适的自部署选择；没有看到升级 9B 的整体收益。 不能把这张小表当成所有决策任务的模型排名。
9B 为什么没放到 Kaggle？当前可用的 T4 单卡标称 16 GB，Kev 官方说明给 9B 的显存需求约 17 GB；原始半精度单卡加载放不下。Modal 的 L40S有 48 GB，实测可以运行。这里没有引入量化或自定义双卡切分，因为那会把另一套实现条件混进来。至于上一篇提到的 27B，我这次仍然没有实跑；Kev 官方给出的权重约 55 GB、运行时约 66 GB，单张 L40S 也放不下。它能不能达到 Jev 在这三题的效果，依然是一个待测问题。
时间也不等于账单。Kaggle 使用 GPU 时长额度，Modal 按 GPU、CPU 和内存计费，Jev 则是 API 调用。上表没有算下载、加载等准备时间，我也没有把每个配置的完整成本单独核算，所以不能用 209 秒和 181 秒直接比较谁更便宜。
这次补测改变了什么判断
上一篇里，Kaggle 上的 Qwen 4B 和 Gemma E4B 已经证明“小模型自部署一定跑不完”这个说法站不住。现在 Kev-4B 又完成了三题，而且在 L40S 上把动作时间压到约 3 分半。只看能否完成，差距比我最初在 Mac 上测试时小了很多。
但路线长度仍然明显：Jev 的 5、7、4 次点击合计 16 次，新增的自部署配置里最少的是 Kev-4B Kaggle 的 104 次。Jev 在这次追加的方案中依旧是点击最少、动作总时间最短的一个。这里不改写上一篇全表的结论：上一篇的 Gemini 和 GPT-OSS 120B 各用了 13 次点击，比 Jev 还少，只是总动作时间更长。
最后还是同一个限制：每个正式配置只有三题，每题一次，不同日期的页面也会变化。下一步如果真要回答“更大的自部署决策模型能否稳定接近 Jev”，需要更多题目和重复运行，最好让待比较的自部署模型使用相同硬件、相同精度。现在这篇更像是一次补充记录：GPU 解决了能不能跑、跑得有多快；能不能少绕路，还得看模型和整套选路方法。