Judgment Engine：仅43万参数的通用分类器，知识推理分离新范式

Judgment Engine是仅0.43M参数的微型通用分类器，核心创新为知识存储与推理能力分离，通过更换codebook适配不同任务无需重新训练。项目原作者为shyju-t，来源GitHub，发布时间2026年5月25日。

传统深度学习模型将领域知识编码在参数中，更换任务需重新训练；当前大模型参数动辄数十亿，资源消耗大。Judgment Engine以极小参数挑战传统范式。

采用"知识-推理分离"架构：模型为通用推理引擎（无特定领域知识），任务知识存储在可替换codebook中。优势包括模块化高（同一引擎适配多任务）、更新成本低（仅修改codebook）、可解释性增强（知识显式存储）。

仅0.43M参数实现通用分类，参数效率极高。可能采用架构精简、参数共享、知识蒸馏等技术；codebook机制减少知识重复存储，适合边缘设备、移动应用等资源受限环境。

适用于内容审核（不同类型/违规分类）、智能客服（用户意图识别）；开发者可快速上线新任务（无需训练仅换codebook）；还为联邦学习、隐私计算提供新可能性。

Judgment Engine的"知识-推理分离"理念意义重大，提醒架构创新可兼顾功能与资源效率；思路可延伸至多模态、推荐系统等领域，未来或出现更多类似分离架构模型。