Jev刷屏之际，港中文团队一年前已提出概率并行生成范式

2026年9月，Jev刷屏，讨论持续数天。据机器之心报道，这款模型直接输出判断和概率：这条信息该不该保留、下一步选哪个动作、任务是否完成，由开发者提供文本或程序状态并定义问题与选项，模型返回概率、评分等结构化结果供程序使用。

这类任务通常不需要长回答。Jev采用面向判断的输出方式，并支持针对同一份输入并行处理多个问题，与逐token文本生成形成明显区别，也让Agent中大量频繁发生的小决策成为自然应用场景。传播焦点因此落在AI如何更直接地进入软件的决策过程。

需要说明的是，上述关于Jev能力与演示的描述来自机器之心的报道，属于source_claim；本文未引入该报道之外的第三方验证。

机器之心报道称，香港中文大学徐强教授团队的论文《From Samples to Scenarios: A New Paradigm for Probabilistic Forecasting》于2025年9月24日公开，现已被ICLR 2026接收，TimePrism是为该范式设计的验证模型。

常见概率预测方法通过采样表达可能性：反复生成未来轨迹，再从样本集合估计分布。样本越多统计信息通常越充分，生成和处理成本也随之增加。TimePrism提出的「概率场景」范式把学习目标直接写成{场景，概率}，模型既学习有代表性的未来场景，也显式学习这些场景上的概率分布；推理时一次前向计算就能并行得到整组结果。

这意味着概率不再仅靠大量重复样本的频率体现。每个场景带有自己的权重，决策系统可直接计算不同方案在这些场景下的预期成本，或为代价较大的情况预留资源。报道以备用电力安排为例：单一发电量预测不够，系统需要知道有哪些可能的未来以及各自出现的可能性。

TimePrism的核心可学习结构只有三个并行线性层：两个分支生成未来场景，一个分支学习对应概率。训练时场景分支学习覆盖不同的真实未来，概率分支学习这些场景各自的权重。团队有意采用这种简洁设计，检验一个关键假设：如果学习目标与输出形式设计得当，简单结构也能做好复杂的概率预测。

据机器之心报道，论文在五个基准数据集上比较两项主要指标，TimePrism在十项比较中取得九项最佳结果，以很小的计算开销胜过多种复杂概率预测模型，包括扩散模型、Flow模型和基于Transformer的模型。这一结果为「改变学习范式可让极简结构释放更强能力」的核心想法提供了实验支持。

这一研究方式延续了通讯作者徐强团队的一贯探索。2023年团队发表《Are Transformers Effective for Time Series Forecasting?》，用简单线性模型挑战当时的Transformer预测方法，引发激烈讨论；报道称截至2026年9月其Google Scholar引用已超过六千次。此次为验证概率场景范式特意选择简单线性架构，并将场景与概率分别建模。

把两项工作放在一起看，最值得关注的共同点是根据决策需求重新设计模型的输出。选项及其概率、未来场景及其权重，都能直接进入后续程序的判断与计算，概率因此成为模型与决策系统之间的一种接口。两者也都体现并行处理的价值：Jev可围绕同一份输入并行回答多个判断问题，减少逐字生成开销；TimePrism一次输出整组未来场景与概率，省去推理阶段的反复采样。

差异同样明显。Jev面向自然语言和程序状态，通常由开发者定义问题或候选选项，再由模型判断；TimePrism面向未来的不确定性，连「有哪些候选未来」也交给模型学习。前者侧重对给定问题作判断，后者侧重生成带有概率的未来图景。这展示出两种不同层面的通用性：Jev用统一判断接口承接多种语义任务，TimePrism提出一种可继续拓展的学习范式。

显式概率、并行输出、面向决策，是两条路径相通的设计思路。报道认为，概率场景的潜力值得放到更广任务中探索，如机器人比较不同运动轨迹、规划系统考虑多种后续状态、资源调度权衡不同需求情景；未来也可结合更强的骨干网络、更复杂的场景表示以及规划与优化方法。这些属于报道的展望，而非已验证结论。

Jev的走红让这条路线获得新的关注。回看2025年9月的论文，港中文徐强团队提出的「从采样到场景」，已在概率预测中展开同一个关键命题：让AI一次看见多种可能，并把它们交给下一步决策。TimePrism提供的简洁起点是：先明确决策需要怎样的信息，再设计模型如何学习和交付这些信息。

需要区分的是：论文公开时间、ICLR 2026接收、三个线性层结构、十项比较中九项最佳等，来自机器之心对论文的转述，本文按source_claim处理；Jev的能力描述同样来自该报道。两者是否代表同一技术趋势的必然汇合，属于本文基于报道的推断，而非已确认事实。