ollama v0.35.0发布：决策模型正式上线，接口直接返回选择、概率与评分

发布日期：2026年9月30日 版本号：v0.35.0 核心关键词：决策模型、/v1/systemone、choice、noul、score、概率、评分、模型路由、工单分流、内容分类

Ollama v0.35.0 正式发布。本次更新最值得关注的内容，是新增了对决策模型的支持。

与常见的文本生成模型不同，决策模型并不以输出自然语言文本为主要目标，而是直接返回选择结果、各选项对应的概率以及评分等结构化信息。对于需要快速完成分类、判断、路由和筛选的业务场景来说，这种返回形式更加直接，也更方便程序接收和处理。

在 v0.35.0 中，Ollama 通过/v1/systemone接口支持决策模型，该能力基于 TypeSafe 的 Jev API。开发者可以将一段上下文内容连同一个或多个问题发送到接口中，由模型返回结构化决策结果。

除了决策模型能力外，v0.35.0 还包含多项体验与稳定性改进，包括设置页面启动逻辑优化、macOS 更新提示修复、MLX 模型下载卡住问题修复，以及对已弃用参数typical_p的兼容处理优化。

一、Ollama v0.35.0 的核心更新：决策模型来了

Ollama v0.35.0 新增了决策模型支持。

决策模型与传统的文本生成模式有明显差异。传统模型通常根据输入内容生成一段文字，输出可能是一句话、一段解释、一个回答，或者较长的文本内容。而决策模型的重点不在于生成文本，而在于针对给定的上下文和问题，返回明确的结构化判断。

它可以返回的内容包括：

• • 选择结果

• • 每个候选选项的概率

• • 置信度

• • 条件成立的概率

• • 基于有序标准得到的评分

这种能力适合用于需要明确结果的数据处理任务，例如工单分流、模型路由、内容分类等。

例如，一条客服工单内容中提到结账出现 500 错误。对于传统文本生成方式，模型可能会输出“这看起来是一个软件错误”之类的文字。对于决策模型来说，返回结果则可以直接是bug，同时附带账单、软件错误、账号访问等不同标签的概率。

对于程序而言，后者更容易处理。业务系统不需要从一段自然语言中继续提取分类标签，也不需要额外判断模型描述是否明确，而是可以直接读取结构化字段中的选择结果和概率结果。

二、决策模型的接口：/v1/systemone

在 Ollama v0.35.0 中，决策模型通过以下接口提供：

/v1/systemone

该接口基于 TypeSafe 的 Jev API。

调用时，需要将模型名称、上下文状态内容，以及一个或多个问题一并传入。模型根据传入的状态和问题，输出对应的决策答案。

官方给出的调用示例如下：

curl http://localhost:11434/v1/systemone \
  -H 'Content-Type: application/json' \
  -d '{
    "model": "nimble",
    "state": "Our checkout has returned 500 errors since 9am.",
    "questions": {
      "label": {
        "type": "choice",
        "instructions": "Which label fits this ticket?",
        "criteria": {
          "billing": "Payments and refunds",
          "bug": "Software errors",
          "account": "Login and account access"
        }
      }
    }
  }'

从这段请求可以看出，接口请求主要由几个部分组成。

首先是model字段。

"model": "nimble"

该字段用于指定当前要调用的决策模型。v0.35.0 提供的可用模型包括 Nimble 和 Tev1。

其次是state字段。

"state": "Our checkout has returned 500 errors since 9am."

这个字段用于传递当前需要分析的上下文信息。在示例中，状态内容描述的是从上午 9 点开始，结账功能持续返回 500 错误。

接下来是questions字段。

"questions": {
  "label": {
    "type": "choice",
    "instructions": "Which label fits this ticket?",
    "criteria": {
      "billing": "Payments and refunds",
      "bug": "Software errors",
      "account": "Login and account access"
    }
  }
}

这里定义了需要模型完成的决策问题。

questions中可以包含一个或多个问题。示例中定义了一个名为label的问题，其问题类型是choice，目标是让模型在多个工单分类标签中选择最匹配的一项。

可供选择的分类标准包括：

分类标签

分类说明

billing

支付与退款

bug

软件错误

account

登录与账号访问

因为上下文中明确提到了结账返回 500 错误，因此模型需要在这些分类中判断最合适的标签。

三、接口返回结果：选择、概率与置信度

针对前面的请求，接口会返回如下结构化结果：

{
  "model": "nimble",
  "answers": {
    "label": {
      "type": "choice",
      "choice": "bug",
      "probabilities": {
        "billing": 0.0125,
        "bug": 0.9781,
        "account": 0.0093
      },
      "confidence": 0.8906
    }
  },
  "usage": {
    "input_tokens": 174,
    "output_tokens": 1
  }
}

从返回内容可以看到，模型不仅给出了最终分类，而且给出了每个候选分类的概率。

返回结果中的模型字段如下：

"model": "nimble"

它表示本次请求所使用的模型为nimble。

核心结果位于answers字段中：

"answers": {
  "label": {
    ...
  }
}

其中的label与请求中定义的问题名称对应。也就是说，请求中定义了名为label的问题，返回中也会在answers.label中给出这一问题的决策答案。

结果类型为：

"type": "choice"

这说明本次返回的是一个选择类型的问题结果。

最终选择结果为：

"choice": "bug"

模型将这条工单归类为bug，即软件错误。

更重要的是，接口还返回了各个候选项的概率：

"probabilities": {
  "billing": 0.0125,
  "bug": 0.9781,
  "account": 0.0093
}

从这些数据中可以看到：

概率

billing

bug

account

在三个标签中，bug的概率为 0.9781，明显高于其他选项。因此，模型最终返回bug作为选择结果。

接口还提供了置信度：

"confidence": 0.8906

该字段表示此次选择结果的置信度为 0.8906。

在使用决策模型时，最终选择结果、候选项概率和置信度可以共同构成完整的结构化判断结果。相比只返回一段说明文字，这种形式能够让调用方直接得到分类结论，同时保留不同候选结果之间的概率差异。

返回内容中还包含使用量信息：

"usage": {
  "input_tokens": 174,
  "output_tokens": 1
}

其中：

字段

数值

input_tokens

174

output_tokens

1

这说明该请求的输入 token 数为 174，输出 token 数为 1。

四、v0.35.0 提供的决策模型

Ollama v0.35.0 中列出的可用决策模型包括以下两个：

模型

Nimble

Bespoke Labs

Tev1

Together AI

其中，Nimble 可以通过以下命令拉取：

ollama pull nimble

拉取完成后，可以在/v1/systemone接口请求中将模型字段设置为nimble：

"model": "nimble"

在官方示例中，正是使用nimble对工单内容进行了分类，并返回了bug的选择结果、多个分类标签的概率以及置信度。

五、三种问题类型：choice、noul、score

Ollama v0.35.0 的决策模型接口支持三种问题类型：

类型

作用

choice

从多个选项中选择一个，并返回每个选项的概率

noul

返回某个条件为真的概率

score

根据一组有序标准返回评分

这三种类型覆盖了选择、真假判断和分级评分三类结构化决策需求。

六、choice：选择一个选项并返回所有选项概率

choice类型用于从多个候选项中选择最符合条件的一项。

官方示例中的工单分类，就是一个典型的choice使用方式：

"type": "choice"

在这一模式下，请求中可以定义多个候选标准：

"criteria": {
  "billing": "Payments and refunds",
  "bug": "Software errors",
  "account": "Login and account access"
}

模型会根据state中提供的上下文内容，在这些候选标准中选择最匹配的一项。

最终结果会包含：

• • 问题类型

• • 最终选择项

• • 每一个候选项的概率

• • 置信度

对应到示例中，模型返回：

{
  "type": "choice",
  "choice": "bug",
  "probabilities": {
    "billing": 0.0125,
    "bug": 0.9781,
    "account": 0.0093
  },
  "confidence": 0.8906
}

在这个结果里，bug是最终选择，billing、bug、account则分别拥有各自的概率。

对于工单分流场景，choice可以用于将不同内容归入预先定义好的类别。在模型路由场景中，也可以用于在多个候选模型或处理路径中选择一个结果。在内容分类场景中，则可以根据给定的分类标准，输出最匹配的标签及相关概率。

七、noul：返回条件为真的概率

noul类型用于返回某个条件为真的概率。

与choice的多个候选项选择不同，noul更关注一个具体条件是否成立。它返回的是该条件为真的概率。

在需要判断一个条件是否满足时，noul可以提供直接的概率结果。其核心目标不是从多个标签中选一个，而是针对某个判断条件给出概率。

根据 v0.35.0 的说明，noul的定义为：

Return the probability that a condition is true.

也就是返回一个条件为真的概率。

如果说choice的结果重点是“多个候选项中哪个最符合”，那么noul的结果重点则是“某个条件成立的可能性有多高”。

八、score：基于有序标准返回评分

score类型用于根据一组有序标准返回评分。

v0.35.0 对score的定义是：

Return a score across an ordered set of criteria.

即在一组有序的标准之中返回一个评分结果。

与choice侧重于选择一个类别不同，score侧重于在具有顺序关系的一组标准上进行评分。与noul侧重于一个条件是否为真不同，score侧重于得分或等级结果。

因此，三个问题类型可以这样理解：

问题类型

关注重点

返回形式

choice

哪一个选项最匹配

选择结果与各选项概率

noul

条件是否成立

条件为真的概率

score

在有序标准中的评分

评分结果

九、决策模型适用的任务类型

Ollama v0.35.0 明确提到了决策模型适用于以下任务：

• • 工单分流

• • 模型路由

• • 内容分类

工单分流是官方示例展示的典型任务。

示例中的状态信息为：

Our checkout has returned 500 errors since 9am.

在三个候选分类中，模型选择了：

bug

其对应概率为：

0.9781

这表明，对于“结账功能返回 500 错误”这一内容，模型将其与软件错误标签建立了最高匹配关系。

模型路由同样属于决策模型适用的任务类型。决策模型可以输出选择、概率与评分，因此适合用于需要根据输入内容进行判断，并输出明确路由结果的任务。

内容分类也是决策模型的适用方向。通过向criteria提供一组分类标准，模型可以根据上下文状态选择对应类别，并在choice类型下返回各类别的概率。

决策模型的关键价值在于，输出结果不是单纯的文本描述，而是可被程序直接读取的结构化数据。

十、v0.35.0 的其他更新与修复

除了新增决策模型支持，Ollama v0.35.0 还包含以下改动。

改动

内容

设置页面优化

设置现在无需等待模型发现完成即可打开

macOS 更新修复

修复启动时更新菜单和图标未反映可用更新的问题

MLX 下载修复

修复 MLX 模型下载停滞后无限期挂起的问题

typical_p

兼容优化

请求包含已弃用的typical_p参数时，改为记录警告而不是直接失败

下面分别展开说明。

十一、设置页面不再等待模型发现

v0.35.0 中，设置页面现在可以在不等待模型发现完成的情况下打开。

更新说明为：

Settings now opens without waiting for model discovery.

也就是说，设置页面的打开不再依赖模型发现流程结束。

这一改动针对的是设置页面启动时与模型发现之间的等待关系。更新后，设置可以直接打开，而不需要等待模型发现完成。

十二、修复 macOS 启动时更新菜单和图标未正确显示的问题

v0.35.0 修复了 macOS 中与更新状态显示相关的问题。

更新说明指出，修复了在启动时，更新菜单和更新图标未能反映可用更新的问题。

原始说明为：

Fixed the macOS update menu and icon not reflecting an available update at startup.

修复内容涉及两个位置：

• • 更新菜单

• • 更新图标

修复场景则是应用启动时存在可用更新，但菜单和图标没有正确体现这一状态的问题。

十三、修复 MLX 模型下载停滞后无限期挂起的问题

v0.35.0 还修复了 MLX 模型下载相关的问题。

更新说明为：

Fixed stalled MLX model downloads hanging indefinitely.

该问题的表现是，MLX 模型下载在停滞后可能会无限期挂起。

此次更新对这一问题进行了修复，处理的重点是下载过程已经停滞，但任务仍持续处于挂起状态的情况。

十四、已弃用的 typical_p 参数不再导致请求失败

在 v0.35.0 中，包含已弃用参数typical_p的请求，处理方式发生了变化。

更新说明为：

Requests containing the deprecated typical_p parameter now log a warning instead of failing.

此前，包含已弃用typical_p参数的请求会失败。

在 v0.35.0 中，这类请求不会再因为该参数而直接失败，而是会记录一条警告信息。

涉及的参数名称为：

typical_p

涉及的变化可以概括为：

情况

处理方式

请求包含已弃用的typical_p参数

记录警告

请求包含已弃用的typical_p参数

不再直接失败

这一调整保留了对弃用参数的提醒，同时改变了请求因该参数直接失败的行为。

十五、Ollama v0.35.0 更新内容汇总

Ollama v0.35.0 的核心更新可以归纳为以下内容：

分类

更新内容

新能力

新增决策模型支持

接口

通过/v1/systemone提供决策模型能力

基础

基于 TypeSafe 的 Jev API

模型

提供 Nimble 和 Tev1

问题类型

支持choice、noul、score

choice

选择一个选项并返回每个选项的概率

noul

返回条件为真的概率

score

基于有序标准返回评分

使用场景

工单分流、模型路由、内容分类

设置体验

设置页面无需等待模型发现完成即可打开

macOS 修复

修复启动时更新菜单和图标未显示可用更新的问题

MLX 修复

修复模型下载停滞后无限期挂起的问题

参数兼容

typical_p

参数由请求失败改为记录警告

结语

代码地址：github.com/ollama/ollama

Ollama v0.35.0 的重点在于决策模型能力的加入。

通过/v1/systemone接口，调用方可以向模型传递状态信息和一个或多个问题，并获得选择结果、概率、置信度或评分等结构化结果。接口支持choice、noul、score三种问题类型，覆盖多选一分类、条件成立概率判断以及有序标准评分等需求。

在官方示例中，针对“结账功能从上午 9 点开始返回 500 错误”的工单内容，模型选择了bug标签，并返回了billing、bug、account三个标签的概率以及置信度。

与此同时，v0.35.0 还优化了设置页面打开逻辑，修复了 macOS 启动时更新显示问题，修复了 MLX 模型下载无限期挂起问题，并将已弃用typical_p参数的处理方式从直接失败调整为记录警告。

我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。在这里，您可以找到最新的AI科普文章、工具评测、提升效率的秘籍以及行业洞察。 欢迎关注“福大大架构师每日一题”，发消息可获得面试资料，让AI助力您的未来发展。