今天是2026年9月22日，星期二，北京，天气晴。
继续看技术，最近jev项目很火。TypeSafeAI（前OpenAI研究员DiogoAlmeida）2026-09-15/16发布的"SystemOne"决策模型，不生成文本，直接输出Choice/Score/Noul三类带概率判定。但是，权重未公开、参数规模未披露、架构与RLCD（ReinforcementLearningforCalibratedDecisions，校准决策强化学习）训练配方仅概要描述，仅经API（POST/v1/systemone）提供。
来谈谈，同步看下昨日的今天的技术进展早报。
从决策实现上看，这个决策，细分三个决策原语（核心接口）：
Choice：从有限候选中做分类选择，附带各选项概率与置信度；
Score：对有序rubric打分，返回连续分数与分布；
Noul：校准的布尔概率P(true)，用于是非判断。
从定位上看，Jev是把Agent运行中最频繁的高频、原子化、边界明确的判断（分类/选择/评分/真伪）从"慢思考大模型"里剥离出来，用一次前向传播+logits直接打分完成。它验证的是Agent的"快慢分工"（Harness架构），而非文本生成能力，不要去神话它，能不能用，去测试它。
记住，它是一个特定任务的模型，场景很受限，不是大一统模型。不要跟风，其实现在很多都是那种对比法。拿A的强项跟B的弱项去比。但是B比A更全面。这套叙事逻辑还在走着。
这个具体究竟如何，可以展开来看：
一、关于jev模型的一些认识
说jev为啥火，从目标域的角度上去说，有张图很有意思，jev或的一个原因是，是llm用来分类的请求就占10%，所以这个兴许是这个口子？
但是，关于jev模型热潮，这个，其实还是要回到具体的业务域上。
在无法解决确定性的场景面前：快没有太大的意义，省钱也没太大的意义，jev只是一个零样本条件下的排序/分类模型，还是概率【不确定性】。本质上还是猜【单单地猜的更快、更准些】，0-1而非0/1【不保真】
这里也可以形成进一步的判断：适用边界—高频、低复杂度、语义判断、结果可被程序消费的场景是它的主场;凡是需要"算"(数值)、需要"解释为什么"(审计/医疗/放款)、选项无法穷举的场景，它都不是最终答案，只能当流水线里最便宜的一环，且必须有门槛和人工兜底。
根本上的，从技术发展上看，jev这种方式反而是一种倒退。因为生成式的llm，目的就是为了大一统【判别/生成】。jev是在范式上开历史倒车【有为了多快好省而开倒车（此处略有武断）】。
jev的使用其实跟之前的lora路由的实用性是一回事儿，后续不会变成主流叙事，而是会变成Agent等部分场景的一个组件级，单独无法成事。大一统始终是主流趋势，端到端才符合算法直觉。
##二、关于Jev的一些开源项目
虽然它不开源，但是，也陆陆续续出现了很多不同的开源复刻（本身jev不开源），上线约1周，社区已涌现28+个项目（https://github.com/OmniJev/awesome-jev-gallery）。它们复现的是"跳过自回归解码、隐状态直接打分、KV-Cache广播+词表切片、封闭决策空间消除幻觉"这一机制/接口，但没有一家复现RLCD训练方法。
基座生态以Qwen系列（0.8B–9B）、ModernBERT/DistilBERT、Gemma3、DiffusionGemma、LFM2.5为主。
其中值得看的是laya。【Jev开源复现项目】轻量AI决策模型项目，对标闭源的TypeSafeJev，专门处理不需要生成大段文本的快速判断任务：工单分类、内容风控、意图路由、选项判别、布尔判断、评分分级等场景。模型权重如下：
一个具体的使用例子，其实很简单：
项目地址在：https://github.com/NandhaKishorM/laya，
权重地址在：https://huggingface.co/convaiinnovations/laya
演示Demo地址在：https://huggingface.co/spaces/convaiinnovations/laya-demo
也有封装版本：https://github.com/jlt-commons/laya-jolt。
其余的，也有一些其他的项目，也可以看看：
一个是【Jev民间项目】，可以看看都用来干啥，一个非侵入式的实时对话理解与回复辅助层，挂在任意聊天窗口旁边，读懂对方在说什么，用TypeSafeJev判断模型给出「对方真实意图/危险等级/该不该马上回/最佳动作」，再用一个生成式模型起草3条候选回复并让Jev排序，最后以半透明悬浮窗展示，一键填入输入框，地址在https://github.com/Finderchangchang/jev-chat-JARVIS
一个是【Jev反例项目】，其中提到慎用Jev的场景：需要绕路,回溯,多步规划的：迷宫,装箱,调度等局部启发和全局最优不一致的图问题；突然死亡型控制：贪吃蛇,俄罗斯方块,自动驾驶等，一步踏错当场GG；不可逆高代价决策：删库,事务操作,尤其是需要审计的场景。https://github.com/karminski/Jev-Quantum
一个是【Jev应用案例】，有个案例集合，严格意义上是一个索引。Jev能做什么？60个案例。https://doc.laoyao.cn/j61zgy?mark_id=999_reallog_mark_ad%3A999%7CWeiboADNatural#library
三、JEV这列模型都是怎么评出来的？
关于这个点，其实可以讲讲这种jev类的效果评估【这个很关键，都说效果好，总得讲清楚怎么个好法】。
先看其评估方式。思路是：固定随机种子，同一轮运行里每个模型答逐字节相同的问题，对比公平；主结果跑在TeslaT4上，另有CPU上的51语言全量扫描；每个模型输出的是三类原语：choice（多选分类）、score（有序量表回归）、noul（二分类概率0-1）。
再看校准指标方面，用的是ECE、Brier、scoreMAE；还单独测了选项顺序鲁棒性（排列选项后答案变动的比例）。
终看评测benchmark，共覆盖三大类：
一类多语言意图/推理。包括：MASSIVE（多语言意图识别，核心多语言测试）：亚马逊出品的多语言任务型对话数据集，基于SLURP/Covov2派生，覆盖51种语言的同一条意图/槽位标注。Laya用它测intent（识别用户意图）和scenario（技能场景）两类子任务，每题20个选项，随机基线只有0.050。
XNLI（多语言推理，15种语言），斯坦福XNLI，把MultiNLI翻成15种语言，任务是判断"前提→假设"的蕴含/矛盾/中性三类关系——衡量多语言语义理解而非单纯意图。
一类是typed-decisions专用测试集（主打场景），这是Laya自己构造的任务，400cases、2,000道决策题、四个工作流（发票处理、安全事件、客户服务、agent操作日志可观测性）。
一类是英文标准任务+应用工作流
包括：
英文标准任务：AGNews、BoolQ、DAIREmotion、SST-5（ordinal）、prompt-injections（n=116，偏小）
七个真实应用主题：邮件垃圾邮件、钓鱼、越狱检测（held-out）、内容审核（held-out）、RAG相关性、工单分流、模型路由
三个Jev有公开数字的榜单：AGNews、DAIREmotion、Banking77（77标签），其中，银行客服意图分类77个意图类，是公开榜上类数最多的测试。
所以，再判断jev是否真的有用的时候，应该自己去做测试。
关于我们
老刘，主页：https://liuhuanyong.github.io。
对知识图谱本体论、Agent记忆及架构、RAG知识库等技术方向感兴趣，欢迎加入社区，社区持续纳新。
加入社区方式：关注公众号，在后台菜单栏中点击会员社区加入。