Jev 的出现标志着系统一模型时代的到来，这些基础模型返回的是带有概率分布的结构化决策，而非文本。除了低成本和高速度，Jev 的核心承诺是这些概率是校准过的：但这一说法没有得到任何公开测试的支持，现有的外部基准评估的是置信度校准，而非每个返回选项概率是否具有正确的数值意义。为解决此问题，我们推出了 Sys1Cal-v1 数据集，这是一个关于命题 A 的真/假问题集，其中精确概率 P(A) 是通过构造已知的。每个项目通过 Jev 的三个原语——Noul、Choice 和 Score 进行查询，并通过与真实分布的全变差距离进行评估，这可用于估计系统一模型的软准确率。 我们通过评估 Jev 和 SemIf（一个开源的 Choice 风格基准）来展示 Sys1Cal-v1 作为基准数据集的效用。然而，在本研究中，我们更深入地聚焦于 Jev，研究其 Score 和 Choice 回答的校准性。特别是，我们发现了一种奇特的行为，这可以通过假设 Jev 抑制了第三种真值来解释，超越了真与假。换句话说，在 Choice 回答中，P(A) 和 P(neg A) 被呈现为 P(A)+P(neg A)=1，而总和中缺少了 P(U)≠0 这一项。恢复 P(U) 使得 Choice 回答的中值软准确率从 0.771 提升到 0.978，这表明即使在二元决策中，Jev 也想用第三个选项来回答：``我不知道''。