@paarangatrai: 这是理解Jev的最简单方式：大语言模型生成答案。Jev做出决策。这听起来像是一个小小的区别……

这是理解 Jev 最简单的方式：

LLM 生成回答。

Jev 做出决策。

这听起来区别不大，但实际上改变了整个使用场景。

假设你给普通 LLM 这样一段内容：

“这是一个用户，包含他的账户历史、支付行为、客服聊天记录、设备数据等信息。请判断这看起来是否有风险。”

LLM 可能会进行推理并返回：

“是的，这看起来高风险。”

如果请求得当，或许会以 JSON 格式返回。

而在 Jev 中，你会预先定义可能的决策：

风险等级：

• 低
• 中
• 高

是否人工审核：

• 是
• 否

Jev 返回的内容会更接近：

风险 = 高 (96%) 人工审核 = 是 (91%)

这基本上就是这个产品的核心。

它并非想成为另一个 ChatGPT。

它更像是一个 AI 原生的 if 语句。

取代的是类似这样的逻辑：

if 交易金额 > $10,000: review()

你可以开始这样思考：

if “此行为看起来可疑？” > 95%: review()

这开启了一个相当有趣的软件类别。

起初我有几个假设，后来发现并不正确：

1. “所以它只是个分类器？”

算是，但这样低估了它。

输入可以是复杂混乱的现实世界上下文，你可以同时针对该状态提出多个类型化的问题。

是否欺诈？ 是否可能流失？ 是否需升级？ 是否符合资格？ 优先级如何？

所有这些都来自相同的输入。

2. “所以它取代了 GPT / Claude？”

并非如此。

实际上我认为有趣的架构是：

Jev 决定需要做什么

Claude / GPT 在需要更深度智能时进行推理或生成

普通代码执行确定性的部分。

Jev 成为了路由层。

3. “它不会产生幻觉？”

这点需要细致说明。

如果你允许的答案是：

低 中 高

Jev 不会突然生成：

“极高 🚨”

输出结构是受约束的。

但它仍可能出错。

92% 的概率判定为“高“也可能是错误决策。

所以“无幻觉“不等于“永远正确“。

4. “为什么不直接强制 LLM 返回 JSON？”

你可以这样做。

我们其实已经到处在这样使用。

但你仍然需要处理生成延迟、模式验证、重试、异常输出、置信度估计以及大量粘合代码。

Jev 的设计核心是围绕决策本身，而非文本生成。

5. “为什么我要关注这个？”

因为大多数软件本质上是一个巨大的条件判断树：

若满足此条件 → 执行彼操作 若满足此条件 → 路由至此处 若满足此条件 → 升级处理 若满足此条件 → 拒绝 若满足此条件 → 询问人工

Jev 基本在追问：

如果这些 if 语句能理解混乱的人类上下文呢？

这比“又一个 AI 模型“的框架有意思得多。

我认为它会在以下领域非常有用：

欺诈/风控 客服路由 内容审核 公关/质检自动化 潜在客户评分 合规性 工作流编排 代理路由

特别是作为位于大型推理模型前方、既廉价又快速的决策层。

当然是早期技术。

但这个品类本身非常合理。

Diogo Almeida (@CompleteSkeptic)： 在共同发明 ChatGPT 后，我一直在问自己：为什么超级人类水平的聊天模型尚未导向 AGI？

过去两年我一直在秘密构建一种训练模型的新方法（RLCD），以及一种新型前沿 AI 模型，我们今天正式发布：Jev

• 速度提升 20-200 倍 • 速度提升 40-400 倍