Jev reframed: from language generation to decision primitives
The author breaks down five traits of Jev, from typed decisions and native structure to probability signals, and outlines three experiments in memory filtering, model routing, and agent completion checks.
这两天 被Jev刷屏，我最开始也以为它是又一个新模型。 看了一圈后，我觉得它有意思的点如下： 第一，它把“语言生成”改成了“决策原语”。 LLM 的默认接口是 chat completion，输出一段文本；Jev 的默认接口是 typed decision，输出 choice、score、probability、confidence。它不是给人读的模型，更接近一个能被程序直接调用的判断函数。 第二，它把“事后解析”改成了“天然结构化”。 过去让 LLM 做分类、路由、评分，经常是先让它生成 JSON，再校验、重试、修格式。Jev 直接在固定决策空间里返回答案，模型输出可以进入 if、switch、rank、filter、guard。 第三，它把“单次大推理”改成了“大量小判断”。 它不适合承担完整复杂任务，但很适合插在 Agent 系统的判断点里：这段记忆要不要进上下文？这个任务该走哪个模型？工具调用有没有风险？Agent 是否已经完成？这个文件值不值得继续读？这些判断数量很大，过去都被大模型硬扛。 第四，它把“答案”改成了“概率信号”。 Jev 返回的不只是结果，还有概率和置信度。系统可以根据置信度决定自动执行、交给强模型，还是交给人复核。AI 在这里不再只是一次性黑盒，而是一个能被调度的系统组件。 第五，它把“模型能力竞争”推向了“控制流竞争”。 Jev 的价值不在于比 Claude/GPT 更会写，而在于帮系统分配任务：什么时候用便宜模型，什么时候用强模型，什么时候继续搜索，什么时候停止。 接下来先做几个实验： 让 Jev 批量筛选候选记忆和检索结果，看看减少上下文时会不会漏掉关键证据； 让它参与工具和模型分流，测试低置信度时交给强模型复核是否划算； 再把 Agent 的执行检查拆成多个小问题，看看它能否及时发现遗漏要求、超出修改范围和缺少完成证据。 这几件事，分别能检验它的并行判断、概率分流，以及高频核验能力。
This post quotes another post: “ChatGPT co-inventor releases Jev, a model built for decisions rather than text”