Jev：一种只输出决策分数的新型模型

TypeSafe AI 上周发布了 Jev，并把它称为一种新的 “System One models”。相比这个命名，“决策模型”可能更容易理解：它不像常规大语言模型那样生成一段文本，而是接收文本输入，然后输出与分类、是/否判断、评分相关的浮点数，以及对应的置信度。

TypeSafe 对 Jev 的描述可以概括为：把非结构化状态输入模型，得到类型化的概率决策输出。

Jev 和常规 LLM 有什么不同？

常规 LLM 通常按输入 token 和输出 token 收费，而且输出 token 往往更贵。Jev 的计费方式不同：只收输入费用，输出免费。其首个模型的输入价格为每百万 token 0.042 美元，低于 OpenAI GPT-5 Nano 的每百万 token 0.05 美元。

Jev 的使用方式是：先构造一个 “state” 对象，其中可以包含字符串、字符串数组，或一组键值对。这个对象可以表示一篇文章、一位客户，或任何类型的记录。随后，把这个对象和一个或多个问题一起发送给 API，模型会针对每个问题返回结果。

Jev 支持三类问题：

是/否问题
Jev 称其为 “Noul” 问题。TypeSafe CEO 在 Hacker News 上确认，这个名称来自 Bernoulli，即伯努利分布。用户提出一个陈述，模型返回 0 到 1 之间的浮点数，表示它认为该陈述为真的置信度。
选择题
模型从用户提供的一组选项中选择答案。返回结果不仅包含一个置信度，也包含所有选项上的概率分布。
评分题
用户提供一组带描述的数值等级，模型会在这个范围内返回一个浮点评分。

Jev API 可以接受单个文档作为 “state”，并在上下文窗口允许的范围内同时提交多个问题。这些问题会并行评估，因此提交多个问题的耗时理论上接近提交一个问题。

用“决策模型”的框架来看，Jev 适合被表达为分类任务的场景，例如：

作者还尝试将 Jev 用于搜索结果重排：先用 BM25 这类低成本算法取回 100 个候选结果，再让 Jev 根据原始查询对这些候选结果进行相关性评分。

不过，Jev 1.13 的相关文档也提示了它的短板：目前它并不擅长处理数字、日期，以及“对抗性内容”。

Jev 的一个重要问题是：它把机器学习系统进一步推向黑箱。

LLM 本身已经是黑箱。即便可以要求它解释判断理由，也无法保证解释一定可靠或准确。而 Jev 连这一步都没有：无论输入多少文本，最终得到的只是一个浮点数。

例如，如果 Jev 把某段内容标记为垃圾信息，用户很难知道到底是哪些信号影响了判断。

这也使偏见问题更加重要。作者特别提醒，不希望有人用 Jev 来给求职者排名，因为一个浮点数可能隐藏模型内部难以察觉的偏见，而通过实验拆解这些偏见会很困难。

作者还做过一个小实验：让 Jev 对旧金山湾区所有城市进行“是否是好城市？”的是/否判断评分。结果中，Cupertino 排在最前，East Palo Alto 排在最后。这个结果本身足以说明，这类模型在价值判断类任务中需要非常谨慎。

因此，在使用 Jev 时，评估和结构化实验比普通 LLM 项目更加重要。好在 Jev 成本很低，运行数百甚至数千条实验提示的费用可能只有几美分。

Jev 发布后，社区很快出现了一些有趣的实验：

jevchat：Kyle Pena 把 Jev 改造成一个聊天模型。它每一步都问 Jev 一个问题：在用户问题和已经写出的回复基础上，下一个符号应该是什么？效果被描述为“糟糕的聊天模型”。
jev-leftpad：Fatih Kadir Akın 用 Jev 实现 left-pad。提示大意是：“为了达到目标长度，值前面需要多少个空格？”选项从 0 个空格到 10 个空格。
jev-2048：Andy Gayton 用 Jev 来玩 2048 滑块游戏。

这些项目更像是探索边界的实验，展示了这种“只输出决策”的模型能被如何重新组合。

社区中也已经有人尝试基于开放权重模型复刻类似 Jev 的系统。Kev 是其中一个例子，它使用 Qwen 3.5 生成了 0.8B、4B 和 9B 规模的模型。

此外，JevBench 这样的基准也已经出现，用于比较“Jev 类决策模型”。考虑到 Jev 发布还不到一周，围绕它产生的社区活动已经相当密集。

Jev 的意义不在于替代聊天模型，而在于把“语言理解”压缩成结构化决策输出：分类、判断、选择、评分。它便宜、快速，适合大规模评估类任务；但同时，它也更不透明，更需要严肃的评估体系和偏见测试。

对于需要高频、低成本、结构化判断的应用，Jev 代表了一条值得关注的方向。但在涉及人、价值判断或高风险决策时，仅凭一个浮点数做决定显然并不稳妥。