根据数据的选择，模型的适当结构和参数维度的选择在统计研究中具有丰富的历史，在1970年代开发了第一个开创性方法，例如Akaike's和Schwarz的模型评分标准，这些标准受信息理论的启发并体现了基本原理称为Occam的剃须刀。在这些开创性的工作之后，很快就将模型选择确立为自己的研究领域，在计算机科学和统计学中都引起了人们的关注。但是，迄今为止，对于缺乏可能性表达的基于模拟器的模型的评分标准的尝试有限。已经考虑了此类模型的贝叶斯因素，但是已经提出了争论和反对使用它们以及与其一致性有关的问题。在这里，我们使用Jensen--Shannon Divergence（JSD）的渐近性能来得出一种称为JSD-Razor的可能性设置的一致的模型评分标准。分析了JSD-razor与既定的基于可能性方法的评分标准的关系，我们使用合成和真实的建模示例证明了我们标准的有利属性。