# Jeva: System One Models from First Principles：中文精读笔记

- **作者**：Qi Li、Xinchao Wang（National University of Singapore）
- **论文**：[arXiv:2610.18773v2](https://arxiv.org/abs/2610.18773v2)，2026-10-18 修订；本次于 2026-10-28 获取。[本地原文 PDF](../source/paper.pdf)
- **发表**：截至 2026-10-28 未查到正式发表信息；[作者主页](https://liqiiiii.github.io/)将其列为“Preprint (2026)”。
- **代码**：[作者官方公开代码](https://github.com/LiQiiiii/Jeva)；[Jeva-4B 模型](https://huggingface.co/LIQIIIII/Jeva-4B)。

## 论文总览

Jeva 研究的是**如何直接从一组候选项中作出类型化决策**：选择一项（Choice）、判断真假概率（Noul），或给出量表期望分数（Score）。这类任务通常需要识别“没有合适候选项”、抵抗候选顺序变化、接纳不同数量的候选项，并复用反复出现的候选描述。论文认为，把请求和候选项串成一段文本再读取答案 token，难以同时满足这些结构要求。（§1，PDF 第 2–3 页）

Jeva 的主线是：**请求与各候选项独立编码 → 请求状态读取固定的候选记忆并更新 → 分开计算候选间竞争和“至少一个候选可用”的覆盖概率 → 按决策类型解释输出**。独立编码使候选项及其键/值投影可跨请求复用；集合上的对称聚合和共享打分使候选概率随置换同步置换；覆盖门把空答案从候选竞争中分离。（§3，PDF 第 4–6 页）

在 Jeva-4B 的报告结果中，BANKING77 的 16 候选空答案检测 AUROC 为 **98.66%**；600 个 Choice 样例的测试置换中观察到 **0 次决策翻转**；ToolRet 的 2,048 候选组准确率 **69.88%**、中位请求延迟 **12.040 秒**；新组合的长文档候选集在完全复用候选计算时，中位延迟由 **2,102.0 毫秒降至 75.1 毫秒**。这些是不同实验的指标，不能合并成一个端到端加速结论。（§4，PDF 第 7–9 页）

## 结构地图

| 原文章节 | 在论证中的作用 | PDF 页码与关键内容 |
| --- | --- | --- |
| §1 Introduction | 提出四个决策结构要求与联合编码的不足 | 第 2–3 页；图 2 在第 2 页 |
| §2 Related Work | 定位类型化决策、双编码器、集合函数与空答案校准 | 第 3 页 |
| §3 Jeva: A Native Decision Architecture | 输入编码、状态更新、覆盖门、对称性、缓存与训练 | 第 4–6 页；图 3–5、式 (1)–(9) |
| §4 Experiments | 决策质量、空答案、扩容、批处理和复用 | 第 7–9 页；表 1–2、图 6–9 |
| §5 Conclusion | 总结结构设计和实测收益 | 第 9 页 |
| 附录 A–C | 证明、实现细节、训练与评测协议、类型化样例 | 第 11–18 页 |

## 一：动机——把“选择”视作有结构的计算

传统的答案 token 读取把候选项放进有顺序的文本序列。候选描述于是与当次请求一起计算；请求变化或重新组合候选集，通常需要再处理整段文本。用固定字母或标签词表作输出时，候选数量还受标签空间约束。即便对候选分数做 softmax，得到的也只是“给定这些候选，彼此谁更可能”，无法单独判断“是否存在正确候选”。论文把这些问题归结为四个目标：**空答案感知、候选置换稳定、候选数量可扩展、候选计算可缓存**。（§1，PDF 第 2–3 页；图 1）

一个关键动机来自独立打分的局限。若每项分数为 $g(x,\iota,o_i)$，在候选集 $\mathcal O$ 上经温度 $\tau>0$ 的 softmax 得到 $q$，则任意两项的对数胜算为

$$
\log\frac{q_i(\mathcal O)}{q_j(\mathcal O)}
=\frac{g(x,\iota,o_i)-g(x,\iota,o_j)}{\tau}.
$$

分母与其他候选项无关。因此，增加第三项虽会重新分配概率，却不能翻转仍在集合中的 $i$、$j$ 的偏好。Jeva 希望保留候选项**可独立预计算**的优点，同时让最终判断**依赖当次完整候选集**。（§3.1，式 (2)，PDF 第 4 页）

## 二：方法——固定候选记忆，更新请求状态

### 2.1 输入、编码与整体数据流

一个请求由状态 $x$、问题 $\iota$、类型 $t$ 和候选序列 $\mathcal O=(o_1,\ldots,o_K)$ 组成；论文的类型化接口取 $K\geq2$。共享语言骨干 $E_\theta$ 分别处理请求模板 $T_x(t,\iota,x)$ 和每项候选模板 $T_o(t,o_i)$，再取最后一个非填充 token 的隐藏状态。无偏置投影得到

$$
z_0=P_xE_\theta(T_x(t,\iota,x)),\qquad
u_i=\operatorname{nrm}\!\left(P_oE_\theta(T_o(t,o_i))\right),
\quad z_0,u_i\in\mathbb R^d.
$$

这里 $z_0$ 是当次请求状态；$u_i$ 是单位化的候选语义向量。候选模板只含决策类型和该项文本，**不含当前问题、状态、候选位置或其他候选项**；所以在固定模型和输入策略下，同一类型的同一候选项可复用编码结果。骨干与投影在训练时仍可更新，缓存是在权重固定后才成立。（§3.1，式 (1)，PDF 第 4 页；附录 C，第 16–17 页）

![图 1：Jeva 与联合编码方法的结构对比](figures/fig-01-overview.png)

*原文图 1，PDF 第 1 页。右侧将请求编码和候选编码分开；决定当次结果的模块只更新请求状态，候选记忆保持不变。图下方的四格对应论文四项目标。*

### 2.2 集合条件化的决策块

记候选矩阵 $U=[u_1^\top;\ldots;u_K^\top]$。每个决策块的第 $h$ 个头，用当前状态生成归一化查询 $q_\ell^h$，用各候选向量生成归一化键 $k_{\ell i}^h$ 和值 $v_{\ell i}^h$。其读取权重与消息为

$$
a_{\ell i}^{h}=
\frac{\exp\!\bigl((q_\ell^h)^\top k_{\ell i}^h/\tau_\ell\bigr)}
{\sum_j\exp\!\bigl((q_\ell^h)^\top k_{\ell j}^h/\tau_\ell\bigr)},\qquad
m_\ell=W_\ell^O\operatorname{Concat}_{h=1}^{H}
\left(\sum_i a_{\ell i}^{h}v_{\ell i}^{h}\right).
$$

其中 $\tau_\ell>0$ 是学习得到的**集合读取温度**，$a_{\ell i}^{h}$ 是中间的证据分配权重，**不是最终选择概率**。它等价于最大化“兼容性加温度加权熵”的分配：$\arg\max_{a\in\Delta_K}\{a^\top c+\tau_\ell\mathcal H(a)\}$。温度越高，在固定兼容性分数下分配越分散。（§3.2，式 (3)；附录 A.1，PDF 第 4、11 页）

随后只对请求状态作两次残差更新：

$$
\widetilde z_\ell=z_\ell+\alpha_\ell m_\ell,\qquad
z_{\ell+1}=\widetilde z_\ell+
L^{-1/2}F_\ell\bigl(\operatorname{RMSNorm}(\widetilde z_\ell)\bigr),
\qquad
\alpha_\ell=\frac{\tau_\ell\sigma(\gamma_\ell)}{\sqrt L}.
$$

$F_\ell$ 是无偏置 SwiGLU 网络；$L$ 为决策块数。键和值始终由候选向量决定，块间不更新候选项。系数满足 $0<\alpha_\ell/\tau_\ell<1/\sqrt L$；这约束了消息强度与读取温度的比例，但不能单独理解为整层更新的全局稳定性保证。（§3.2，式 (4)，PDF 第 4–5 页）

**为什么一层也能看见“候选之间的关系”？** 论文给出构造：取相同请求 $z_0=(1,0)$、固定的 $A=(4,3)/5$ 与 $B=(4,-3)/5$，只把第三项在 $C_+=(3,4)/5$ 和 $C_-=(3,-4)/5$ 之间替换。在指定温度与混合系数下，更新后 $s_A-s_B=\pm24\alpha w/25\approx\pm0.00559$，于是两组中分别由 $A$、$B$ 唯一获胜。独立打分则保持 $A$ 与 $B$ 的相对顺序。这是**表达能力的存在性构造**，说明固定候选向量不妨碍集合条件化判断；它不表示添加任意候选都应该改变答案。（命题 1、式 (5)，PDF 第 5 页；附录 A.2、B.1）

![图 3：第三个候选改变 A/B 的偏好](figures/fig-03-set-context.png)

*原文图 3，PDF 第 3 页。左图固定 A/B，只替换 $C_+$ 与 $C_-$；中图显示状态沿相反方向更新；下图显示 A/B 分数差异翻转。*

### 2.3 将“谁最好”与“有无答案”分开

最终候选分数 $s_i=z_L^\top u_i$ 先形成条件分布 $q_i=\operatorname{softmax}_i(s/\tau_{\mathrm{dec}})$。它回答“**在有可接受答案的前提下**选哪一项”。另用最大分数估计覆盖概率

$$
\rho=\sigma\!\left(\frac{\max_i s_i-b_{\mathrm{cov}}}{\tau_{\mathrm{cov}}}\right),
\qquad p_\bot=1-\rho,\qquad p_i=\rho q_i.
$$

$\rho$ 是“至少一个候选项可接受”的估计，$b_{\mathrm{cov}}$ 是学习到的阈值，$\tau_{\mathrm{cov}}>0$ 控制门的斜率。$q$ 对所有 $s_i$ 同加常数不敏感，而 $\rho$ 会响应绝对分数水平；这正是独立覆盖门的作用。开集 Choice 比较 $(p_\bot,p_1,\ldots,p_K)$；闭集 Choice 使用 $q$。**Noul** 返回肯定布尔候选的 $q_{i^+}$，并不等于“空答案”的 $p_\bot$；**Score** 对给定量表值 $v_i$ 返回 $\sum_iq_iv_i$。（§3.3，式 (6)，PDF 第 5–6 页；附录 C，第 17 页）

![图 4：候选竞争与覆盖概率分离](figures/fig-04-coverage.png)

*原文图 4，PDF 第 4 页。(a) 两项分数一起下降时，候选内比例 $q$ 不变，但 $\rho$ 从 0.88 降到 0.12；(b) 在固定最终分数下增加较弱的 C，$\rho$ 仍为 0.88，候选概率被重新分配。*

论文的命题 2 针对**固定的最终分数**：加入低于原最大值的候选，不改变这个门的 $\rho$。相比之下，给每项同样的分数 $s$、另设固定空答案分数 $b_0$ 的扁平 softmax 会产生

$$
p_\bot^{\mathrm{flat}}=
\sigma\!\left(\frac{b_0-s}{\tau}-\log K\right),
$$

即空答案概率被 $K$ 的分母项强制改变。Jeva 避免了这一**覆盖概率**的机械数量效应；实际加项仍可能改变集合更新后的 $s_i$，而联合最大概率决策还受 $q_{\max}$ 影响。附录给出的精确条件是：当 $\operatorname{logit}(\rho)<-\log q_{\max}$ 时，空答案概率高于每个单独候选概率。（§3.3，式 (7)，PDF 第 5–6 页；附录 A.3、B.4，第 12、14 页）

### 2.4 顺序对称、候选复用和计算规模

单个候选的原子记忆为

$$
\mathcal M_t(o_i)=\left(u_i,\{k_{\ell i}^{h},v_{\ell i}^{h}\}_{\ell,h}\right).
$$

置换候选项及其元数据只会置换各项的键、值与最终概率。注意力的加权和在重排后相同，因此 $z_L$、$p_\bot$、Noul 与 Score 输出不变；唯一获胜候选的**语义身份**也不变。这是精确算术、固定权重与确定性计算下的结构性质；并列第一的索引择优规则与浮点归约可产生细微实现差异。（命题 3、式 (8)，PDF 第 6 页；附录 A.4、B.5）

缓存有两层：**Set** 复用完整的有序候选元组；**Hybrid** 还复用每个候选向量及每层键/值，因此新组合只须处理尚未见过的项。当前请求的状态编码、集合读取和输出仍重新计算，缓存的是候选计算而非旧答案。模型权重、tokenizer、模板或长度策略改变时，记忆须失效。（§3.4，PDF 第 6 页；附录 C，第 18 页）

![图 5：新组合中的候选复用](figures/fig-05-option-reuse.png)

*原文图 5，PDF 第 4 页。三次请求的整组候选均不同，单项命中数却可从 0/3 增至 2/3、3/3；下方显示每次仍需新的请求编码与决策。*

在已准备候选记忆、固定宽度与深度下，决策模块成本为 $O\!\left(L(d^2+Kd+df)\right)$，对候选数 $K$ 线性增长；$M$ 项的记忆量为 $O(M(L+1)d)$。未缓存的新项还要支付各自的文本编码与键/值投影。线性决策头与“输出 $K$ 项密集分布本就需 $\Omega(K)$”相匹配，但请求延迟仍会受编码批处理和文本长度影响。（§3.4，PDF 第 6 页；附录 A.4、B.6，第 12、15 页）

### 2.5 训练目标与具体模型

对于归一化的开集目标 $(y_\bot,y_1,\ldots,y_K)$，令 $c_y=\sum_i y_i$、$g=\operatorname{logit}(\rho)$，主要损失是

$$
\ell=\operatorname{BCEWithLogits}(g,c_y)-\sum_i y_i\log q_i.
$$

它恰是完整分布 $p=(1-\rho,\rho q)$ 的交叉熵：全空答案样例只教覆盖门，不硬造某一候选的排序目标；有答案样例同时训练覆盖与竞争。闭集样例使用候选交叉熵，Noul/Score 在相关阶段另有辅助项。（§3.5，式 (9)，PDF 第 6–7 页；附录 A.5、B.8）

Jeva-4B 使用 Qwen3.5-4B 骨干，池化宽度 2560、决策宽度 $d=768$、一个决策块 $L=1$、八个头和宽度 $f=3072$ 的 SwiGLU；两侧投影与决策核心合计 **13,370,117** 个参数，骨干另以 rank-64 LoRA 训练。课程从类型化决策、意图选择扩展至验证、阅读推理和大候选集检索；推理时合并 LoRA 后，才为固定模型准备缓存。（§3.5，PDF 第 7 页；附录 B.7–B.8、C.1，第 15–16 页）

## 三：实验——问题、对照与度量

| 检验问题 | 数据与协议 | 主要度量 |
| --- | --- | --- |
| 一般决策是否准确？ | Typed Decisions 2,000 题；BANKING77、MASSIVE 各取 $K=8,16$；Mind2Web 三个 $K=16$ 切片 | 含适用空答案的 first-argmax 准确率（%↑），并记录请求支持率 |
| 类型化输出质量如何？ | Typed 中 600 Noul、800 Score、600 Choice | Noul Brier/MAE（↓）；Score MAE/RMSE（原量表单位，↓）；Choice 翻转率/全顺序准确率/平均 TV |
| 能否识别空答案？ | BANKING77，$K=16$ 的 3,080 个匹配请求，其中 588 个无答案 | 空答案 AUROC（%↑）；约 5% FPR 的 TPR（%↑） |
| 大候选集是否可用？ | ToolRet 500 个请求，六组不同查询，$K=32$ 至 2,048；另用同 83 查询做嵌套候选集 | 可支持请求、最高目标得分项命中率（%↑）、p50 延迟（秒↓）、跨所有 $K$ 正确率 |
| 重用候选是否省时？ | Typed 共享候选库与 MLDR 长文档；Off、Set、Hybrid；新组合设置确保整组缓存零命中 | 中位请求延迟、避免的候选编码行、结果一致性；预热另计 |

一般准确率仅在**完整支持**的切片上比较。开集适配也因模型接口而异：JevK5 与 CLM 增加显式 `None` 候选；Jev、InternDecision、KEV 等类型化模型另答一条“至少一个候选适用吗”的 Noul 问题，再把该概率与候选条件分布组合。大型候选实验的附加项含弱标注或未判定的负例，389/500 请求有多个正例；判对规则是最高分项属于目标候选。延迟在一张 H200 上同步计时，跨模型保留各自运行时；**同一模型内部**的批处理与缓存对照固定检查点和请求流。（§4，PDF 第 7–8 页；附录 C，第 15–18 页）

## 四：结果——每组证据能说明什么

### 4.1 一般准确率与类型化输出

下表的“最佳其他模型”只取原表中完整支持该切片的模型，差值为 Jeva 减对照的**百分点**。（表 1，PDF 第 5 页）

| 切片 | Jeva-4B | 最佳其他模型 | 差值 |
| --- | ---: | ---: | ---: |
| Typed Decisions | 78.30% | InternDecision-4B：78.70% | −0.40 |
| BANKING77，$K=8$ | 92.05% | Jev-1.13.0：86.14% | +5.91 |
| BANKING77，$K=16$ | 91.62% | Jev-1.13.0：82.50% | +9.12 |
| MASSIVE，$K=8$ | 91.09% | Jev-1.13.0：84.63% | +6.46 |
| MASSIVE，$K=16$ | 90.22% | Jev-1.13.0：81.61% | +8.61 |
| Mind2Web，cross-task | 79.99% | Jev-1.13.0：66.26% | +13.73 |
| Mind2Web，cross-website | 62.25% | Jev-1.13.0：59.97% | +2.28 |
| Mind2Web，cross-domain | 66.23% | Jev-1.13.0：62.47% | +3.76 |

Jeva 在八个切片中的七个排名第一，Typed 整体准确率比 InternDecision-4B 低 0.40 个百分点。Typed 的细项显示：Jeva 的 Noul Brier **0.0184**、MAE **0.0939** 为表中最低，Score MAE **0.2315** 最低；Score RMSE **0.3222** 略高于 InternDecision-4B 的 **0.3208**。Brier 与 RMSE 单位不同，不应把图 6(a) 两个坐标直接相减。（§4.1、表 1–2、图 6(a)，PDF 第 5–7 页）

![图 6：类型化质量、空答案 ROC 与顺序稳定性](figures/fig-06-decision-quality.png)

*原文图 6，PDF 第 7 页。左图两个轴都是误差且单位不同；中图的 ROC 衡量阈值变化下的空答案检出；右图连接原顺序与所有测试顺序都正确的准确率。*

### 4.2 空答案与候选顺序

在 BANKING77 的 3,080 个 $K=16$ 请求中，Jeva 的空答案 AUROC **98.66%**，KEV-BF16 **93.61%**，InternDecision-4B **84.27%**，JevK5 **79.44%**。Jeva 在 **5.02%** 假阳性率处检出 **93.88%** 的无答案请求；这是作者按各模型答案存在样例的经验 95 分位阈值测出的操作点，而非固定阈值下的总体准确率。该组结果支持独立覆盖门对“无正确项”有用。（§4.2、图 6(b)，PDF 第 7–8 页）

顺序测试将 600 个 Choice 样例各自使用原顺序、逆序和最多三种固定随机顺序，并按候选语义身份对齐。Jeva 的翻转率 **0%**、平均总变差 **$3.17\times10^{-8}$**、全顺序准确率 **76.67%**；Jev-1.13.0 的翻转率 **17.00%**、全顺序准确率 **66.67%**，InternDecision-4B 分别为 **22.67%**、**64.50%**。这与模型的置换等变结构相符；“0 次”专指这些测试顺序与样本。（§4.1、表 2、图 6(c)，PDF 第 6–8 页）

### 4.3 候选数量、批处理和嵌套集合

ToolRet 六个**不同查询**的候选数队列合计 500 个请求。Jeva 全部支持，聚合准确率 **78.40%**；递归选择的 JevK5 同样覆盖全部请求，聚合准确率 **64.00%**。在 $K=2048$ 的队列，Jeva 准确率 **69.88%**、p50 延迟 **12.040 秒**，JevK5 为 **67.47%**、约 **28 秒**。两者都可支持该队列，Jeva 在此对照的中位延迟约快 **2.33 倍**，并在决策头中一次读取完整候选集。InternDecision 两个变体在 $K=32$ 只支持 65/84 请求，更大队列超过登记的接口限制；不把其低覆盖切片的准确率与完整支持模型直接对比。（§4.3、图 8，PDF 第 8 页）

![图 8：ToolRet 准确率、延迟与有效覆盖](figures/fig-08-toolret.png)

*原文图 8，PDF 第 8 页。上面是完整支持切片的准确率，中间是自然请求流的 p50 延迟，下面逐队列列出支持率。虚线 Jeva 是旧的分块编码设置，实线是长度感知批处理。*

长度感知的候选编码批处理为最多 **256 行 / 131,072 填充 token**；在相同 Jeva 检查点和候选顺序下，$K=2048$ 的 p50 从旧 chunk-2 编码的 **94.459 秒**降为 **12.040 秒**，是 **7.85 倍**的**模型内部批处理改进**。这与上段对 JevK5 的约 2.33 倍比较不是同一个分母。（§4.3，图 8(b)，PDF 第 8 页）

另一个嵌套集合实验固定**同一批 83 个查询**，让候选数从 32 增至 2,048，并要求每个大小都判对。Jeva 为 **58/83（69.88%）**，JevK5 为 **48/83（57.83%）**，CLM 为 **7/83（8.43%）**。这里的 69.88% 是“跨所有候选数都正确”的比例，恰好与前述 $K=2048$ 不同查询队列的准确率同数，统计对象并不相同。（§4.3、图 7，PDF 第 7–8 页）

![图 7：同一批查询随候选集扩大的正确性](figures/fig-07-all-size.png)

*原文图 7，PDF 第 7 页。每列是同一个查询、每行是候选数量；只有一列所有行都正确，才计入右侧 all-size accuracy。*

### 4.4 新组合与共享候选库的缓存收益

缓存实验固定模型权重，并轮换 Off、Set、Hybrid 模式、重置缓存。MLDR 的**新组合**请求被设计为整组候选缓存零命中：0% 复用时，Hybrid 不能减少候选编码；约 50% 复用时，其 p50 加速比为 **1.95 倍**；100% 单项复用时，p50 从 **2,102.0 毫秒**降至 **75.1 毫秒**，即**两组中位数之比 27.98 倍**；逐请求配对加速比的中位数是 **27.86 倍**。只缓存完整集合的 Set 在这些新组合中仍约 2.1 秒。（§4.4、图 9(a)，PDF 第 8–9 页）

![图 9：整组与单项缓存的延迟](figures/fig-09-cache.png)

*原文图 9，PDF 第 8 页。(a) 的 100% 指单项候选可复用，整组命中仍为 0；(b) 是共享候选库；(c) 是免去的候选编码行比例。新组合预热另行计时，不计入请求 p50。*

共享库下，Typed Decisions 的 p50 由 **93.1 毫秒**降至 Set 的 **46.6 毫秒**、Hybrid 的 **46.7 毫秒**，避免 **99.2%** 的候选行编码；MLDR 的 p50 由 **2,097.3 毫秒**降至约 **73.9/74.2 毫秒**。Typed 计时含冷启动；MLDR 预热另计并排除。各条件的决策没有变化，但最大绝对概率差为 **0.00736**，可由不同批处理与浮点执行路径理解，不能把实现中的输出称为逐位相同。（§4.4，图 9(b,c)，PDF 第 8–9 页；附录 B.5）

原文在这一实验的样本数上有一个值得留意的口径差异：§4.4 称每个复用水平有 **50** 个匹配 MLDR 查询，而图 9(a) 图注和附录 C.4 称每档绘出的新组合请求为 **46** 个。以上延迟按正文报告，涉及图中箱线图的样本量则按图注理解。（PDF 第 8–9、16 页）

## 五：结论与实际取舍

论文最有力的贡献是将四项决策结构要求落实到可检查的计算部件：独立候选编码支持复用，集合条件化状态更新允许候选间关系影响结果，覆盖门估计空答案，对称聚合确保候选重排只重排概率。理论给出了**存在性的集合依赖表达能力**、**精确算术下的置换与缓存等价**以及**固定最终分数时**覆盖门不受弱候选数量强制影响的性质；实验分别检验了质量、空答案、顺序稳定、扩容和请求延迟。（§3–5，PDF 第 4–9 页）

理解结果时有三项实际取舍。第一，缓存节省的是候选侧工作；请求编码和决策头每次仍运行，且必须为固定权重与输入策略管理缓存失效。第二，ToolRet 的弱/未判定负例、不同模型的开集适配与各自运行时，限定了横向准确率和延迟比较的含义。第三，Jeva 结合了专门架构与分阶段训练，表中跨模型优势不能单独归因于某一个模块；论文未以相同骨干和训练配方逐项删除四个部件来估计各自贡献。对需要反复在大型候选库上做类型化决策的场景，这篇论文的可迁移思路是：**先分开表示候选，再用小型集合模块完成当次判断，并显式建模答案是否存在。**