koyomi315的头像
koyomi315
北京邮电大学硕士,关注后端开发、AI Agent 与 Agent Evaluation。
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。

参考资料#

一万字Jev 工程实践长文:把 Agent 的“判断题”从大模型里拆出来

Jev
https://example.com/posts/jev/
作者
koyomi315
发布于
2026-09-21
许可协议
CC BY-NC-SA 4.0

一只小鲸鱼正在游过来…

ⓘ
DeepSeek 同人鲸鱼娘

角色原作:上善无形
二次设计:ZipZipPipe
Live2D:氵六青

素材未修改 · CC BY-NC-SA 4.0

模型来源 ↗