让 AI 看着屏幕和指令决定“下一步点哪里”，它需要的不是写一段长答案，而是在几个动作中直接作选择。Decision 3.0（d3）正是这样一组决策模型：规模从 0.6B 到 27B，能共同读取文字、图片和视频，输出选择、是非判断或分数，并给出每个答案的概率，不生成文本。这让它更像自动化系统的判断部件，而不是聊天机器人。
据发布者 henzy123 介绍，这组模型采用 Apache-2.0 许可证，基于 Qwen3.5 和 Qwen3.8-27B 构建。它可在一次调用中回答围绕同一输入的多个问题，但每个问题都单独完成一次前向计算——也就是让输入完整经过模型再得出结果。作者按 Jev 0.3 官方测试工具评估已发布权重，称 27B 版本以文字 64.7、视觉 71.6 分登上两个榜单首位；9B 版本也超过上一代 27B。
最值得留意的是视频：作者称训练时所有型号都没见过视频，但在 Perception Test 的 19,140 道验证题上，27B 和 4B 分别得到 77.4、70.3 分。这些成绩目前来自团队自测，尚缺独立复核；但从小模型到大模型同时扩展到多模态，已经显示决策模型赛道仍在迅速扩军。