Jan-v1 发布：一个专为本地搜索与深度推理优化的 4B 级开源模型

在 AI 搜索领域，闭源商业产品长期占据主导地位。而今天，开源社区迎来了一位强有力的挑战者——Jan-v1。

作为 Jan 模型家族的首个正式版本，Jan-v1 基于 Qwen3-4B-Thinking 架构，并针对代理式推理与工具调用进行深度微调，旨在提供一个完全本地运行、可审计、无数据外泄风险的 Perplexity Pro 开源替代方案。

• 模型：https://huggingface.co/janhq/Jan-v1-4B
• GGUF版：https://huggingface.co/janhq/Jan-v1-4B-GGUF

它不仅能回答问题，更能主动执行网络搜索、整合信息、生成结构化回答，且整个过程无需离开你的设备。

核心定位：为“本地智能代理”而生

Jan-v1 并非一个通用聊天模型，而是专为 代理任务（Agentic Tasks） 设计的推理引擎，典型应用场景包括：

• 网络搜索与事实核查：像 Perplexity 一样，通过调用搜索引擎获取最新信息。
• 深度研究：对复杂问题进行多步查询、信息整合与逻辑推理。

其底层模型 Qwen3-4B-Thinking 支持高达 256K 上下文长度，能够处理长文档、保留推理轨迹，并在本地完成完整的“思考-搜索-验证”闭环。

技术架构与优化

Jan-v1 基于 Lucy 模型体系，通过模型扩展（model expansion）与任务微调实现性能跃升。关键特性包括：

该模型在保持 4B 级参数规模的同时，实现了接近甚至超越更大模型的推理能力，体现了“小模型、大任务”的设计哲学。

性能表现：事实性问答的新标杆

在 SimpleQA 基准测试中，Jan-v1 达到了 91.1% 的准确率，略高于 Perplexity Pro 的表现。

这一成绩对于一个 4B 规模的开源模型而言，标志着在事实性问答领域的重大突破。它证明了：

• 通过合理的微调与架构设计，小模型也能胜任复杂任务；
• 本地模型在信息准确性上，已具备与闭源商业产品竞争的能力。

🔍 SimpleQA 是一个评估模型事实检索与回答准确性的基准，要求模型基于真实世界知识作答，而非生成性回答。

如何使用：三步开启本地智能搜索

Jan-v1 已深度集成于 Jan App，使用流程简洁高效：

1. 选择模型
   在 Jan App 中选择 Jan-v1 作为当前模型。
2. 开启实验功能
   进入 设置 → 实验功能 → 开启“代理推理”
3. 启用 MCP 搜索服务
   进入 设置 → MCP 服务器，启用与搜索相关的 MCP 服务（如 Serper）

完成配置后，你只需输入问题，例如：

“2025 年全球 AI 投资趋势有哪些？”

Jan-v1 将自动：

• 生成搜索查询
• 调用搜索引擎获取结果
• 提取关键信息
• 组织成连贯回答

全过程在本地完成，数据不上传、不记录、可审计。

为什么选择 Jan-v1？