详细介绍Jev模型

原创

观雪
观雪

观雪ai

2026年9月23日 17:59
山东

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

Jev模型，是一个判断式的模型，成本极低、延迟极低、在保证输入内容准确且全面的情况下做出的判断也是切实可用的，可以成为解决AI应用落地困难的最好的模型

本文章详细拆解Jev模型落地到应用中的运行逻辑，所有根据皆来自Typesafe AI官方文档

首先Jev是区别于传统LLM大语言模型的，他是一个做客观题的特种兵式的，接受专项训练的模型，他们自己给这种模型命名为：System One模型

Jev模型接收一个上下文State，三个原子判断题，下面我来一个一个的给大家详细介绍。

1、State（内容）

这就是交给Jev模型的上下文，用户的问题、需要补充的所有上下文内容，比如说是用户的一个留言，附带着打包好的订单信息、历史对话、以及内部定义好的退款政策

类比一下的话，那就像是法官开庭的时候看的案件卷宗，里面有原告的陈词、银行转账流水、合同条款等，后面的所有判断，都是基于这个State来进行做出的，这是第一个需要进行编排管理的部分。

2、Noul（判断题）

Noul是一个判断值，区别于以往的置信度，他是包含了置信度的效用，但功能效用更高的一种形式比如说：客户咨询是否能够退货退款，其中State中补充了相应的关键信息。Noul设置了能/不能，两个供判断的值，那么返回的时候就会是这两个范围之间的固定值

本质上就是判断一个命题是否为真，返回一个0到1之间的概率值，0代表完全否定，1代表完全肯定，而0.5则代表两者皆有可能，也就是模型对这个命题是不确定的

它跟传统的置信度是有些许区别的，Noul的话是直接给传入的命题进行概率化处理，因为二元判断来讲，概率本身就是确定性的体现，所以也实现了置信度所实现的功能。

3、Choice（无序单选题）

从一组明确列出的、没有高低顺序的离散选项中挑一个，比如说：工单应该流转给哪个部门？代码类型是Python、Go、Rust？应该开启卧室灯、厨房灯、厕所灯、客厅灯？

Choice的返回值：

1. choice：胜出选项的名称
2. probabilities：每个选项的概率分布字典
3. confidence：整体的置信度评分，范围0-1

Choice 选项最多支持 255 个，所以可以直接把全量类别丢进去，让它一次性判断，这样的成本同样很低。使用的时候一定要加上（其他）或者（以上皆非）来进行兜底，因为给出的选项不一定会一定符合。

4、Score（梯度打分）

当评价的事物是一个梯度的，有方向的，比如说情绪状况、技能熟练度、事态紧急度的时候就用Score

它的返回值不是一个整数，是一个浮点数的位置。

比如说定义了3个等级：

温和(0)->平静(1)->愤怒(2)

Jev模型会分别计算落在0、1、2中的概率，如果它认为1的概率是0.57,2的概率是0.43，那么最终返回的score = 0 \ 0 + 1 \ 0.57 + 2 \* 0.43 = 1.43

通过期望值计算，把自然语言描述的严重程度转化成一个连续绝对的数值指标，同时提供confidence表明这个评分的集中度

Jev整套逻辑是很简单和直接的，把材料打包进State，然后根据需要进行提问，需要进行判断是/否的判断就使用Noul，需要做分类分流的就使用Choice，需要评估轻重缓急的就使用Score

整体上感觉已经很成熟了，返回的内容都是干净的数字、概率、置信度，后端拿到这些确定性的结果之后，就可以直接使用简单的ifelse或者阈值就可以完成很多业务逻辑。

这是我做的一个论坛demo，接入了Jev模型来做：帖子、评论、文章，等用户发布时的检测器。

GitHub：https://github.com/aishangwuji/bbs-go

感兴趣可以体验一下。

我还为systemone模型做了一个有趣的小网站，希望对你会有帮助：

sysone GX：https://sysone.originagent.cn/

可以体验使用一下，这是把Jev构建的流程判断代码做成可视化的形式，可以更容易的理解代码的小工具，支持一键导入、一键导出与在线测试

放心代码完全开源：https://github.com/aishangwuji/sysone-gx

在线测试使用的openrouter的APIkey是存放在浏览器中的，大可放心。

注册不要用常用密码，随便搞一个就可以，我说不定维护多久