Jev 初学者指南

如您近期所见，Jev（一个通用 System One 模型）在推特上引起了轰动。

网络上有许多误导性示例，但它们并未真正展示 Jev 的实际能力。

因此，我们决定撰写这份简短的 Jev 初学者指南。

但 Jev 到底是什么，它能在生产环境中应用于哪些场景？

Jev 是一个专为快速判断而构建的模型。

您向其提供待考虑的信息，并定义可选的答案选项。Jev 会返回一个可供代码使用的结构化答案，并附带概率值以显示答案的不确定性程度。

TypeSafe AI 将 Jev 称为 System One 模型，这意味着它专为快速决策而设计，而非像 Claude Fable 5.1 或 GPT-6 等模型那样进行长推理或开放式写作。

这意味着您的代码将保持对工作流的控制，而 Jev 则一次处理一个狭窄的判断。

为 Jev 提供上下文和决策

想象一下，将一张工单和一份简短的决策表交给 Jev。工单是状态，即 Jev 应该读取的信息。决策表包含您希望 Jev 回答的问题。

对于一张工单，您可能会问三个问题。

• 应该由哪个团队处理？
• 是否需要人工审核？
• 客户影响的严重程度如何？

每个问题都有一个可预测的答案形式。

• Choice 选择一个选项，例如支付、账户或前端。
• Noul 返回“是“的概率，例如有 78% 的概率需要人工审核。
• Score 将答案置于一个有序量表上，例如低、中或高影响。

您可以在一次请求中询问关于同一状态的多个问题。Jev 会分别回答，因此一个答案不会影响另一个答案。TypeSafe 的原始指南展示了完整的请求和响应格式。

在六个工作流中尝试 Jev

我们在全新的 Jev Playground 中准备了六个用例供您测试 Jev。首先从清晰的工单开始。然后尝试模型路由、代理工具调用防护和智能家居请求。这些示例改编自 TypeSafe 官方的模型路由和 LLM 防护用例及其智能家居推测性扇出演示。您可以在运行前编辑任何状态。

您可以在此互动式 Jev Playground 中尝试不同的用例：https://academy.dair.ai/resources/introduction-to-jev

阅读结果

Choice 答案包括选定的选项、每个选项的概率以及一个置信度值。

Score 答案包括数值分数、其有序图例、分布以及置信度。

Noul 答案仅包含“是“的概率。为方便阅读，界面显示“是“和“否“，但它不会虚构单独的 Noul 置信度值。

当靠前的答案彼此接近时，完整分布就很重要，因为单一标签可能掩盖这种不确定性。阈值滑块将单个 Noul 概率转化为应用策略。提高阈值会减少该策略的触发频率。降低阈值则使该策略更加谨慎。

您的代码做出最终决定。它设置阈值、应用硬性规则，并决定是否允许某个操作。

Jev 适用的场景

Jev 适合用于答案范围有限的重复性判断。有用的例子包括模型路由、内容分类、相关性检查、工具风险评估以及代理循环周围的质量关卡。

请在代码中保留精确的检查。TypeSafe 的 Jev 1.13 参差性指南警告说，模型处理算术、计数、日期、字面措辞、无关上下文、对抗状态和矛盾标准的能力并不均衡。将每个概率视为您策略权衡的证据，并将权限决策保留在代码中。

持续实验

下方再次开放了 Playground，包含四个更复杂的案例。每个案例都隐藏着使判断不那么明显的因素，例如指向两方面的证据、植入状态中的指令，或者一个听起来简单却并非如此的请求。选择任何案例，更改状态中的任何内容，并观察分布如何变化。

了解此模型的最佳方式是亲自测试。这就是我们为您构建 Jev Playground 的原因。

从这里开始：https://academy.dair.ai/resources/introduction-to-jev