Julia 1 是巴西小实验室 Supersonic Labs 在 2026 年 9 月 26 日发布的决策模型：只有 1.443 亿参数，为 CPU 上的文本分类与路由而生。权重文件 550.5 MiB，代码与权重都已放在 Hugging Face 上，以 Apache 2.0 协议开源。它不生成文本，只做选择——这是理解它的第一道门槛。
先摆正概念：它选答案，不写答案
Julia 1 的输入是「上下文 + 问题 + 候选答案集合」，输出是从候选里挑出一个。它适合的活儿很具体：文本分类、请求路由、有序打分、是否判断。它的底座是多语言的 mmBERT-small 编码器——注意，它不是大模型生成器，别指望它写东西。
官方数字怎么读：小样本试点，不是生产证据
实验室公布了几组小规模试点成绩：Banking77 上 100 个样本、72 个标签先经短名单缩小范围，答对 64 例，官方同时给出的对比数字是 87%；新闻分类 100 例 4 标签答对 94 例；情感分类 100 例 6 标签答对 86 例。必须说明白：这是公司自报的小样本试点，不是生产环境证据，口径不同的数字不能直接对打。端侧表现倒是实在：在 Apple M4、Intel i5-1235U 笔记本和三星平板上都跑过，平板上 CPU 执行约每秒 5 次决策——官方称其可用的加速路径回退到了 CPU，这只是一次部署演示。实验室还透露，云端 GPU 训练与实验总成本约 540 雷亚尔，折合约 104 美元。
边界与坑：动手之前先看清
最值得警惕的是 Banking77 那组 64% 对 87% 的对比：官方口径是「短名单缩小标签后」再测，两个数字的测试条件并不对等，直接比较会误导。选型的人必须拿自己的标签体系实测一遍，别被发布文案里的数字带偏。另外再说一遍定位：它是决策模型，不是生成模型，用它做生成、做推理是找错了工具。小样本试点的成绩，也别直接外推到生产环境。
智能体时代，还需要便宜的「路由层」
智能体时代需要的，不只是更大的生成模型，还有便宜的「路由层」：每一次分类、每一次路由决策，如果都要调一次云端大模型，成本和延迟都扛不住。Julia 1 这类小模型干的就是这个活儿——把高频、低风险的判断留在本地、用小模型解决。Supersonic Labs 的定位说得很直白：做「人们已有硬件上就能跑的实用 AI」。104 美元训出来的模型、平板上每秒 5 次决策，这个故事的重点从来不是刷榜，而是让 AI 落到普通人手里已有的设备上。
