683 字
3 分钟
Jev
Jev简单学习
是什么?
现在 GPT、Claude 已经能做 structured output,也能走 tool calling,为什么还要单独搞一个 Jev? Agent 里很多模型调用不是为了生成答案,而是为了替代码做一次判断。
Jev 是 TypeSafe AI 发布的 System One Model。 它和我们熟悉的聊天模型不太一样:聊天模型擅长生成文本,Jev 则刻意放弃文本生成,只返回类型化的概率决策。
三种原语(列举了Jev的适用场景 输入输出)
| 原语 | 中文理解 | 输出形态 | 适合场景 |
|---|---|---|---|
| Choice | 单选题 | 选项、概率与 confidence | 工具路由等 |
| Score | 打分题 | 连续分数、概率分布与 confidence | 风险或质量评分 |
| Noul | 判断题 | 0 到 1 的概率 | 是否保留、是否危险等判断 |
四层架构
| 层次 | 职责 | 典型组件 |
|---|---|---|
| 慢思考层 | 规划、解释、生成、复杂推理 | GPT / Claude / Gemini |
| 快判断层 | 路由、筛选、评分、门禁 | Jev / Jev-like 模型 |
| 确定性层 | 权限、状态、副作用、回滚 | 普通代码 |
| 兜底层 | 高风险或低置信度处理 | 人工 / 更强模型 |
System 1:快、直觉、低成本、自动判断 System 2:慢、需要推理、成本高、适合复杂问题
理解
- 能力
- 不能进行文本生成,只能进行有限状态的决策
- 做决策的话,需要你提前定好决策空间,于此同时对于复杂推导的决策问题做不太好
- 对于决策输出不同选择的置信度
- 其成本低于一般的大模型,其速度也要快于一般的大模型
- 应用
- 基于以上的Jev的特点导致其比较适合特定的任务场景 或者 原来Agent编排或任务编排的某些节点
- 适合替代 Agent / Workflow 中那些原本需要调用通用 LLM 完成简单判断的节点
Jev 更像一个 intelligence primitive / decision primitive,而不是完整 Agent。 它可以嵌进 Harness / Workflow 的很多控制节点里,而真正负责复杂 reasoning、planning、generation 的仍然是通用模型。
总结
Jev 是 TypeSafe 提出的 System One 决策模型,不生成自由文本,而是输出 Choice、Score、概率等结构化决策。 它牺牲开放式生成和复杂推理能力,换来低延迟、低成本、类型安全以及可利用的置信度。 因此它特别适合 Agent 中的 Routing、Tool Selection、Judge、Guardrail、Rerank、分类和实时决策等高频任务。 它不是为了替代 GPT/Claude,而更适合与通用 LLM 组成 System 1 + System 2 的分层架构。