Jev 模型：不生成文字的决策模型

先看合同，再看口号

点一张卡片。差别在输出约定，不在谁更“聪明”。

一次请求里，状态只读一遍

官方文档：同一调用里的问题彼此隔离，并行对着同一份状态作答。Choice 最多 255 个选项，Score 至少 2 档、接口最多 10 档。

state字符串、JSON 对象，或文本数组。当前只接收文本。图像、音频和视频要先转成文字。

choice在你给的选项里选一个，并给出全部分布。

noul一道是非题，返回“是”的概率，范围 0 到 1。

score沿有序量尺打分，分数可以落在两档之间。

你的代码用概率和 confidence 决定自动执行、复核，或交给推理模型。

文档中的当前稳定别名 jev-latest 指向 jev-1.13.0。价格按输入 token 计：$42 / 十亿 token，也就是 $0.042 / 百万 token，输出不计费。上下文 6.4 万 token/请求；state 加最长的一道问题另有 3.2 万上限。速率限制官方写明会动态调整。

决策台：同一张工单，三道封闭题

示意分布滑块上的概率是课文里的手设例子，用来看代码如何消费分布。它不是 Jev 的真实调用结果。

分流阈值 0.55

Choice 的 confidence 达到阈值，代码才按最高概率自动分流。加急另看 noul 离 0.5 有多远。

分给哪个组？

choice = · confidence =

需要人工加急吗？ P(是)

noul = · 离 0.5 的距离 =

顾客有多不满？

score = · confidence =

官方 jaggedness 页写明：jev-1.13 有时会偏向 Choice 里先出现的选项。独立评测在 37 个数据集上轮换选项后，总体准确率不变。两件事可以同时成立。上线前打乱选项再测一次。

置信度不是模型另写的一句话

公式来自 TypeSafe 文档。Choice 只看最高概率离均匀分布有多远。Score 还看概率离峰值有多远。

Choice，三个选项

confidence = (p_max − 1/n) / (1 − 1/n)。(0.6, 0.3, 0.1) 和 (0.6, 0.2, 0.2) 的 confidence 都是 0.40。

Score，三档有序量尺

相邻两档对半，confidence 高于两端对半。文档例：(0, 0.5, 0.5) → 0.25；(0.5, 0, 0.5) → 0。

官方自己列出的锯齿

摘自 Jev 1.13 jaggedness，文档标注最后审阅 2026-10-02。模型会答错。它只是不另外编一段解释。

现象	文档建议交给谁
按字面理解，不替你补全意图	把边界写进 instructions 和 criteria
计数、精确数值、量级插值不可靠	算术留在代码里
日期先后、间隔、窗口比较不可靠	用 Choice 抽出月、日、年，再在代码里比较
双重否定和多层间接问法掉点	拆成直接问题，用字段名指向状态
无关长文会干扰判断	先检索、过滤，再送进 state
对抗性文本可以推动答案	写清标准，上线前做对抗样本
英语是主要训练语言，中日韩可用但并不均衡	用自己的中文工单测过，再设阈值

独立评测：点开一条，只看摘要里写明的数字

没有把厂商主页上的 193 倍、444 倍当成测量结果。那些数字带有“基于 System One 任务流程”的限定。

想在自己的机器上跑：先分清 Jev 和 Kev

Jev 是托管模型，官方写明不为客户数据做微调，所有账户用同一套权重。领域差异放在 state、instructions 和 criteria 里。

Jared Palmer 的 Kev 是接口兼容的开源家族，底座是 Qwen3.5 / Qwen3.8，不是 Jev 的权重。仓库自己也写了：不知道 Jev 的训练集，因此这不是一次受控的架构对比。在其 new-source 开发集上，Kev-27B 准确率 0.851，Jev 0.857。

第三方文章《Jev’s Architecture Unmasked》是黑盒探测后的推测。Kev 的指针头是复现者的实现。这两份材料都不能写成 TypeSafe 的架构说明书。

Jev 不写回复。
它在你给定的选项上交概率。