4B小模型玩Chrome恐龙：Tev1决策实验与意外翻车

原创

alex 46分钟前阅读数 1 #头条

4B小模型玩Chrome恐龙：Tev1决策实验与意外翻车

Tev1：非对话式LLM的决策哲学

我手头有一台Mac，装了一个叫Ollama的本地推理框架，那天闲着没事就把tev1拉了下来。作者原话是「在只能称为乐观的瞬间」装了个小决策模型来源：visualist.in。Tev1是Together AI放出来的开放权重模型，灵感来自一个叫Jev的聊天式模型，提供4B和0.8B两个尺寸，都是从Qwen3.5微调来的来源：visualist.in。参数规模看着眼熟，4B和0.8B在小型本地模型里算是常见配置，但它的交互方式跟普通模型走的不一样。

常规LLM，你问什么它答什么，输出自由文本。Tev1接受一个结构化输入状态、一个问题，以及2到24个带标签的选项，然后返回一个具体选项选择和概率分布来源：visualist.in。不做开放式对话，不做创意写作，它的角色被限定死在选择题范围内。作者给了个比喻：它挑选项就像「一个已经决定要吃鱼的人在自助餐厅里」来源：visualist.in。这个画面我记住了，因为那种感觉我理解，答案早就预设好了，走一圈餐厅不过是确认流程。

Jev这个概念我不太熟悉，它被描述为「chat-less, pick-more」式的LLM架构来源：visualist.in。不走聊天路线，专注在分类和决策上的模型。0.8B的版本应该能塞进手机跑，4B在消费级GPU上也还行。不过我没法从文章里找到更多benchmarks或训练细节，这些参数背后的实际能力目前说不准。

Chrome恐龙实验：技术方案与量化结果

把tev1指向Chrome恐龙游戏，逻辑链条很短：Mac上的工作机只允许Chrome浏览器跑游戏，而恐龙游戏的操作恰好只有三个，跳、蹲、站着不动来源：visualist.in。4B模型面对三个选择项，匹配度听起来很高。作者原话说得很直白：「三个可能出错的答案」，4B刚好够格来源：visualist.in。Claude写了一段Playwright脚本来驱动实际游戏，每次障碍物接近就把细节喂给tev1：这里有个仙人掌，那边有个翼龙，当前速度多少来源：visualist.in。tev1返回jump、duck或nothing，恐龙就照做。如果它对着仙人掌选了duck，它就真的对着仙人掌蹲下去，然后付出代价。

执行层面不复杂。Ollama提供本地API，Playwright通过脚本控制Chrome页面，每次触发障碍事件就把当前状态打包发给tev1，拿到选项后直接调用对应的键盘事件。整个流程串起来就是一个简单的感知、决策、执行循环。代码已经开源，作者说反应时间的改进会跟进来源：visualist.in。

结果呢？没有突破2000分的天花板来源：visualist.in。但作者一句话概括得比数字更到位：恐龙「已经用几种新颖的方式死过好几次了」来源：visualist.in。个人记录确实被打破了，不过打破的是那种花式送死的记录。从某种意义上说，这也算是在积累数据。

反直觉失败与多源反响

最出圈的一次翻车是翼龙低飞那个场景。地面高度掠过的翼龙本该跳跃，tev1选择下蹲，而且下蹲得格外自信来源：visualist.in。作者形容这个决策「像一个喝了几杯啤酒后倒车入库的人那样自信」来源：visualist.in。概率分布给出了高置信度，决策结果却是错的，置信度和正确性完全脱钩。我读了两遍才完全消化这个比喻，但确实传神。一个4B模型在做它不该犯的错误，而且犯得理直气壮。

文章发到Hacker News之后，热度相当冷清。1个点，1条评论来源：HN讨论。唯一那位评论者threecats写了一句话：「Short post on Tev running on the Mac playing the dinosaur game on Chrome」来源：HN讨论。这句评论只是在复述标题内容，没有触及模型局限性、技术细节或者任何延伸讨论。对于一篇技术小实验来说，这种冷清程度不算意外，但至少没有收到负面反馈。

一篇关于用4B参数模型玩Chrome内置小游戏的文章，技术上没有新突破，效果上连2000分都没摸到，话题性也有限。1个点和1条评论是这个热度水平下的合理结果。但那个啤酒和倒车的比喻在文章里扎了根，我读完之后没法不回想那个在低飞翼龙面前自信下蹲的像素恐龙。

原文：

Tev Plays Dino: Tev running on the Mac playing the dinosaur game on Chrome · 来源：Hacker News

参考来源：