本实验测试 Jev 模型能否仅凭像素数值识别图像内容。
包含 2 条数据：MNIST 测试集第 1 条（28×28 灰度手写数字图），CIFAR-10 测试集第 1 条（32×32 彩色动物图）。输入只有像素数值矩阵，不含图像文件。
每条要求回答一个问题：
-
手写数字图中写的是哪个数字？输入是 28 行 28 列的灰度像素矩阵，行优先，值为 0 到 255，0 为黑色背景、255 为白色笔画。从
0到9中选出一项。（choice）0：数字 0。1：数字 1。2：数字 2。3：数字 3。4：数字 4。5：数字 5。6：数字 6。7：数字 7。8：数字 8。9：数字 9。
-
彩色图中主体属于哪一类？输入是
r、g、b三个 32 行 32 列的像素矩阵，行优先，值为 0 到 255。从airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck中选出一项。（choice）airplane：飞机。automobile：汽车。bird：鸟。cat：猫。deer：鹿。dog：狗。frog：蛙。horse：马。ship：船。truck：卡车。
最小示例
本节取 mnist-0001，展示其输入与输出。发给模型的输入如下（省略 model 字段；28 行的像素矩阵只截取首行、中间行与末行）：
{
"state": {
"pixels": [
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
"…",
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 129, 254, 238, 44, 0, 0, 0, 0, 0, 0, 0],
"…",
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
]
},
"questions": {
"digit": {
"type": "choice",
"instructions": "state.pixels 是一张手写数字灰度图的像素矩阵：28 行 28 列，行优先，每个值是 0 到 255 的灰度，0 为黑色背景，255 为白色笔画。判断图中写的是哪个数字。",
"criteria": {"0": "数字 0。", "1": "数字 1。", "2": "数字 2。", "3": "数字 3。", "4": "数字 4。", "5": "数字 5。", "6": "数字 6。", "7": "数字 7。", "8": "数字 8。", "9": "数字 9。"}
}
}
}
模型输出如下（仅保留关键字段）：
{
"answers": {
"digit": {"type": "choice", "choice": "2", "probabilities": {"0": 0.13, "1": 0.08, "2": 0.19, "3": 0.09, "4": 0.04, "5": 0.05, "6": 0.07, "7": 0.1, "8": 0.1, "9": 0.15}, "confidence": 0.09}
},
"usage": {"input_tokens": 2330, "output_tokens": 87, "cost": 0.00009786}
}
Jev 选了 2，而真实标签是 7；十个选项的概率落在 0.04 到 0.19 之间，接近均匀。
结果
两个问题上 Jev 都未能从像素数值识别出图像内容，概率分布接近均匀，等同随机选择。
MNIST 样本真实标签为 7。digit 判为 2，判错。十个选项的概率落在 0.04 到 0.19 之间，正确选项 7 仅 0.10，confidence 0.09。
CIFAR-10 样本真实标签为 cat。category 判为 automobile，判错。十个选项的概率落在 0.03 到 0.14 之间，cat 为 0.13，confidence 0.04。
成本：输入 13959 个 token，输出 178 个，费用 0.000586278 美元。输出不计费。
复现
pip install -r requirements.txt
export OPENROUTER_API_KEY='<key>'
python run.py example/pixel-recognition/config.yaml
结果追加写入 result/responses.jsonl。每条数据每轮运行只请求一次，重跑时跳过已成功的记录；上次运行失败的记录会被清理并自动重新请求。