2026-09-24 · 技术报告，不是对方总榜的复现
OmniJev
Qwen3.5-9B 加 v4 决策头。一次前向给请求时的选项打分，不生成答案 token。在 923 道留出图像选择题上，三个官方决策接口都没有报错。
923 题同题对照
| 基准 | 题数 | v4（9B） | NeoHorse-Jev-4B | tinnel OmniJev-4B |
|---|---|---|---|---|
| MMStar | 240 | 70.0% | 63.3% | 62.5% |
| RealWorldQA | 160 | 73.8% | 71.9% | 70.6% |
| AI2D | 160 | 84.4% | 84.4% | 84.4% |
| MMMU | 203 | 64.5% | 56.7% | 52.7% |
| ScienceQA test | 160 | 96.2% | 93.8% | 80.6% |
| 合计 | 923 | 76.5% | 72.3% | 68.7% |
逐题文件在 results/qwen35-suite/vs-full/。错开对子：对 NeoHorse 是 96 对 57，对 tinnel 是 129 对 57。
这张表没有说的话
- 我们是 9B，对方是 4B。未训练的 Qwen3.5-9B 还没有在这 923 题上对照，所以不能把差距写成决策头本身的贡献。
- NeoHorse 的文本六项、Image-NLI，以及 tinnel 的 LIBERO 和 Mind2Web，这次没有跑。
- 同一主干把思考写完之后仍然更高。那张对照用的是 v3，写完题上的差距大约 2.5 到 6.5 个点。
- AI2D 三方打平。RealWorldQA 对 NeoHorse 只多 3 题。
- 0.8 的停手门槛测的是 v3。错题领先幅度中位数是 0.90。76.5% 是一次前向的 argmax，不是丢掉低领先调用之后的条件准确率。
- 桌面闭环是 v3 的 8/12。v4 没有再跑。
权重
Hugging Face 上的 tzcfly/OmniJev-Qwen3.5-9B-v4 只有 lora.pt 和 head.pt。底座请单独取 Qwen/Qwen3.5-9B。LoRA 只动语言层注意力，视觉层没训。