Kanana-2-v-decide是一款约3B规模的多模态决策模型，它不生成长文本，而是针对输入返回选项、是非或有序评分及对应概率，适合为Agent承担高频、可枚举的判断。
为什么不生成文字反而有价值
生成式模型要逐token输出，容易产生冗长解释和格式漂移；决策模型把问题编码后与候选答案比较，通过相似度和softmax返回概率，因此速度更快、输出更容易被程序消费。
它适合“是否需要人工复核”“应该调用哪个工具”“图片属于哪类”“风险分数多少”等问题，不适合写报告、总结开放文本或完成复杂创作。
支持哪些输入输出
state可以是文本、JSON、数组或对话历史，也可附带图片。问题分为choice、noul和score三类，程序可以控制哪些选项显示，并取得每个答案概率。
图片会转换为RGB，透明区域合成白色，EXIF方向不会自动应用。接入前必须规范图片方向和比例，否则模型看到的内容可能与用户界面不同。视频暂不支持。
如何嵌入Agent
先由业务系统生成候选动作，例如搜索知识库、请求人工、调用订单接口或拒绝；Kanana只在候选集合中评分，策略层再结合权限与阈值决定动作。模型不能自行新增未授权工具。
这种架构可与多模型Agent统一编排方案配合：小决策模型处理路由，通用大模型只负责需要生成和推理的步骤。
概率不是事实置信度
softmax概率反映候选之间的相对偏好，不代表真实世界准确率。企业需要在自己的数据上做校准，观察0.8分数实际有多少正确，并按业务风险设置不同阈值。
高风险任务使用双阈值：高置信自动通过，低置信自动拒绝，中间区域人工复核。持续记录误判，按类别和人群检查偏差。
落地结论
模型能否进入生产，最终取决于真实任务成功率、成本、可维护性和失败后的处置能力。建议使用脱敏业务样本建立固定回归集，记录模型版本、提示、参数、硬件与人工修订；涉及对外发送、生产写入、用户权益和不可逆动作时，必须保留权限校验、人工确认、审计日志与回退方案。
资料来源：Kakao Kanana-2-v-decide官方模型卡。本文根据公开资料独立整理，并加入工程落地分析；模型发布方的性能数据按其公开口径表述。
