Jev as a voice agent judge: 27 of 34 metrics pass at 96%+

What this article says

作者把 Jev 用作语音 agent 的自动评测裁判，流程是用 codex harness（GPT 5.6 Sol + Terra）为 34 个语音 agent 指标各写一个 Jev 裁判。结果是 27 个指标在从未参与调优的验证集上达到 96% 以上准确率，单个指标的推理成本约 0.07 美元；剩下 7 个指标没有收敛。文章的价值在于给出一个可复用的工作流：让代码模型生成裁判逻辑，再由 Jev 这类 System One 决策模型承担高频、廉价的判定，从而把语音 agent 的评测从人工听录音变成可批量跑的自动化环节。结论是 Jev 适合做这类结构化判定，但并非所有指标都能一次跑通，仍有约两成需要人工介入或换思路。