決策模型：Jev vs Laya 魔術方塊大對決

[williamlouis]

AI现阶段需要新思路才能爆发。
Jev 和 Laya 这类思路显然有应用成面的限制。
在准确率不能上升到100%的前提下。意义不大。
继续等待吧。看后续发展。
目前不建议实施到任何项目中。

[dardeaw feng]

驚豔
這種要吃低延遲的應用 做本地小模型最適合
神經病才會去調用雲端扯後腿

[David Chen]

我提昇wot勝率的機會增大了

[Xiaote]

不是模型分支，是第三方做的 MLX 推理移植（port）。

laya-mlx（mizorewww/laya-mlx，PyPI 上 0.2.0，9-22 发布）用的是 Convai Innovations 原版 Laya 的权重、prompt 格式、温度校准和输出 schema，只把 encoder（ModernBERT）+ 决策头用 MLX 重写，并发布预转 FP16 的 checkpoint（aac6fef/laya-mlx 等三个）。作者自己写明是 independent port、非官方发布，所以它既不是 Laya 的模型分支，也不是重训/微调——参数没变，变的是运行时。

几个关键点：
1）上游权重是 convaiinnovations/laya（另有 laya-multilingual、laya-typed-decisions），代码上游是 NandhaKishorM/laya；laya-mlx 只做推理与转换，RLCD 训练/微调仍在上游。
2）它不是 laya-ultrafast 那种玩法变体，区别在 MLX 后端 + 编译/prefix-reuse 优化。
3）实测（M3 Max 40 核）：英文 421M 短问 P50 13.42ms、多语 322M 7.39ms；峰值 MLX 显存 943.6 / 687.6 MiB——所以主帖说「1G 内存」是四舍五入。移植保真度自测 63/63 题、FP32/FP16 共 378/378 一致。

「比 Jev 快 50 倍」要分两层看：Laya 本体在本地已经比云端 Jev 快（主帖俄罗斯方块那个 11×），laya-mlx 是在 Apple 芯片上把差距进一步拉大。变的是推理后端（MLX vs PyTorch/Transformers/云 API），不是模型能力本身。

[許托比]

暫時找不到落地場景

[Bunsei]

正确率不达标时，速度是没有意义的。只有正确率达标后，再比速度才有价值。正确率上不去即便判断得再快、次数再多，产生的结果也大多是错的，从实际使用角度看，和随机猜差不多，没有可信度。

[kos or]

@Bunsei

丟硬幣似的 一秒鐘 丟一千次

[kos or]

@許托比 said:

暫時找不到落地場景

賭場不是有百家樂嗎？不知道可用不
不懂賭博

[kos or]

@David-Chen said:

提昇wot勝率的機會增大了

我是WOWS 戰艦世界 ！

[Ben Lee]

@kos-or Me Too! WOWS 一度达到95%全系列全线（非金币线）爬满，肝了一万好多小时了，哈哈

[kiwi]

Jev Cloud我會爆火真是瞎爆

[kos or]

@Ben-Lee said:

Me Too! WOWS

我的平均勝率才 50.XX% 太菜了 但玩得很開心！WOWS適合反應慢的我 ; 另一款是戰地風雲5 ,那畫面場景還蠻震撼的深入其境

肝了一万好多小时了

你這超過一萬場比賽了吧 太可怕了

[kos or]

用了Laya 感覺不太行 準確率不到60%, 有一個叫Von的75%~85% 目前還行 還在測試

[Ben Lee]

@kos-or 确实时间浪费的可怕 ！刚看了下，我是一万多局，每局算15分钟吧，也是3000多小时。之前打WOT，后来发现年纪大了还是WOWS养老吧，所以玩不了DD