🔥【Jev模型专精判断，有望搭配LLM优化Agent

🔥【Jev模型】专精判断，有望搭配LLM优化Agent

☀️【模型信息】2026年9月15日，TypeSafe AI发布Jev模型并开放早期访问，Jev非传统LLM，支持文本输入，输出内容为Noul（布尔概率）、Choice（多选一）、Score（等级评分）三种形式，而非LLM输出的本文信息，将信息直接转化为程序能够执行的决策。

☀️【主打高效及指令遵循】其官网所称的“零幻觉”来自两方面，其一是模型机制上限定答案类型和候选范围，例如用户Prompt只允许选择工具A或B，就不会凭空编出工具C；其二采用新RL算法RLCD，训练目标为模型在做出判断时，准确表达有多大把握，追求让预测概率与实际发生频率相匹配，目前暂未开源技术论文披露具体奖励函数、训练流程。新技术路线不同不意味着老RL算法被替代，而是TypeSafe AI选择了一种更适合决策式模型的算法，训练决策模型和LLM所需的算法本身就有差异。

☀️【不是新技术，为什么市场开始关注】分类器属于AI成熟技术领域，2018年发布的BERT模型（参数量0.3B）就已能支持分类任务，输入自然语言，输出判断结果。Jev之所以被关注，是现阶段Agent运行效率、效果仍有待提升，目前Agent中单任务中各个步骤全部交给LLM判断，模型不仅要理解问题，还要花时间生成一段最终不会被人阅读、只供程序提取结果的文本信息，而Jev可以直接给出输出准确判断供LLM评估，省去一部分逐token生成文本的中间过程。成本方面决策式模型比LLM便宜属正常情况，官方披露Jev响应时间低至70-500毫秒，每百万输入Token收费0.042美元，输出免费。

☀️【前景：在Agent工作流和大模型搭配发挥作用】现阶段Jev对于AGI贡献较为有限，更多是填补了一个还没有被LLM很好解决的生态位，需要与大模型协同发挥自身优势。例如，未来Agent可能出现工作流复杂规划、疑难分析和高难度代码任务交给前沿模型，路由、分类、验证等高频判断交给Jev这类决策式模型，比如用户目标是否完成、结果是否符合要求等任务，以兼顾效果、速度与成本。