JEVnovel 的做法是：用人类偏好数据训练判别模型，并把输出做成分类头——一次前向传播直接给出判断和置信度，不做自回归生成。 - JEVnovel 2 解决「识别」：判断一句话需不需要修改； - JEVnovel 2.5 尝试把粒度细化到逗号级小片，加了「短句头」做三分类（拖后腿 / 中性 / 有价值）。实测效果不好：它分不清「可以删掉的纯装饰」和「必须保留的信息」，给不出改稿动作，3 代将其取消； - JEVnovel 3 换成两个能直接指导改稿的头： 教师由 Qwen3.8-27B 微调而来，对整句打分，一次前向输出两组结果： 2. 信息密度 ← StartLux-Decision-27B 裁判。质量和信息是两回事：有的片段「写得烂但没有信息量」（纯装饰，该删），有的「写得烂但承载着情节」（该改）。教师只管质量；信息维度交给裁判模型——它对每一小片回答一个问题：「编辑要把这句话改简洁时，这个片段能不能删掉？」答案直接作为片级密度标签。 3. 学生（0.8B / 4B，LoRA，双头）用这两套标注训练。 完整的方法、数据规模与评测细节见仓库内的《JEVnovel3技术报告.md》。 协议与系列一致：主指标取人类标注人数最多、共识最高的 538 句（main-bench），统计 Macro-F1、bad 召回、bad 精确和正常句误报；判定阈值先在验证集上确定并冻结，再应用到测试集。 - 相比上一代 27B：主指标提升 5.6 个点，bad 召回提升约 12.6 个点，抓得更全；代价是正常句误报从 7.1% 升到 9.4%，精确率基本持平。 - 出厂冻结阈值（0.31）下…