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：

text 复制代码

/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：

bash 复制代码

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。

json 复制代码

"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。

json 复制代码

"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。

json 复制代码

"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：

json 复制代码

{
  "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：

json 复制代码

"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：

json 复制代码

"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：

json 复制代码

"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：

json 复制代码

"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：

json 复制代码

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

从这些数据中可以看到：

标签	概率
`billing`	0.0125
`bug`	0.9781
`account`	0.0093

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：

json 复制代码

"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：

json 复制代码

"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	来源
Nimble	Bespoke Labs
Tev1	Together AI

其中，Nimble 可以通过以下命令拉取：

bash 复制代码

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：

json 复制代码

"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：

json 复制代码

"type": "choice"

在这一模式下，请求中可以定义多个候选标准：

json 复制代码

"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：

json 复制代码

{
  "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：

text 复制代码

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：

text 复制代码

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：

text 复制代码

Our checkout has returned 500 errors since 9am.

在三个候选分类中，模型选择了：

text 复制代码

bug

其对应概率为：

text 复制代码

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：

text 复制代码

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：

text 复制代码

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：

text 复制代码

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：

text 复制代码

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：

text 复制代码

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。