2026-09-22

JEV - 关节不需要大脑

Jev 是 TypeSafe 的 System One 模型。它不写自由文本，只对封闭问题返回概率，放在规则写不尽、又不必先请一个聊天模型的节点上。

Folkbench folkbench.com

联合作者：folkbench.com （Folkbench 是面向 AI API、模型服务及相关站点的可复核评测与选择平台，依据已发布的服务资料、价格、可用性、延迟与证据窗口，帮助用户比较并选择使用路径。）

这一组共十篇：

基础模型过了那条线。大多数人已经提不出超纲任务。你能想到的题，现有模型大体都能接住。再比谁更会聊，多出来的那一点撑不起一个新产品。差别开始在产品定义上。Jev 就是按这个阶段定的。

它是 TypeSafe AI 的 System One 模型。不生成自由文本。你给它一段 state，文本或者程序状态，再加一组封闭问题。每题返回一个概率分布。

它卖的不是聊天能力。它卖的是系统里的关节。

节点分几种。有的能用规则写死，写死就完了。有的得展开着推理，还得对着人把话说完，那是大脑的活。中间剩一批。规则写不尽。上一个大脑，浪费。关节安在这批节点上。

弯一下就行

走路的时候，膝盖不请示大脑。地面硬了就弯一点。坡陡了就顶住。没有说明，也没有草稿。

关节不需要智能。关节只需要本能。本能高于规则。能穷尽的交给规则，状态对上了就走那条分支，对不上就停。规则写尽了仍判不了、熟手却一眼有倾向的，交给本能。要铺开理由、要对人说话，再把智能请上来。别指望一道题同时干规则和大脑的活。

Jev 待在中间这一层。问题封闭，答案的形状也封闭。概率可以散，散就是拿不准。它只在你给定的答案里分配概率。官方把合适的问题卡得很死：懂行的人看着上下文，一秒里能做的判断。得分析半天的，整题扔进来就不对，要拆成几问。

这很像前 GPT 时代的通用分类器，干的还是同一类活。语义理解更好，速度更快。绕弯的话读得懂，程序状态里夹着的意图也读得懂。别拿它去聊天。

官方定位叫 System One。借 Kahneman 的系统一，快，直觉。步骤摊开写给人看的那种慢思考，不在这个定位里。

名字来自 William Stanley Jevons。煤和蒸汽机效率提高之后，需求没有下降，反而上升。官方用这个名字，是说判断一便宜，系统里要判断的节点会跟着变多。

题型只有三种。

是非，叫 Noul。一句能用真假收住的话。回来的是“是”的概率，落在 0 到 1。代码拿这个数卡阈值。过了就执行。没过的停住，或交给人。

单选，叫 Choice。选项事先给死，最多 255 项。每一项后面可以跟一句，这项指什么。回来的是整张分布，再标出概率最高的那一项。列表里没有的，它不补。

有序档位，叫 Score。2 到 10 档。从低到高排好，每一档写成具体情形。别只丢一个数字给它。落点可以停在两档中间，每一档的概率都还在。业务上要整数，代码里收。

三种能搁在同一次请求里问。同一段 state，各问各的。是非不替单选打草稿。用哪一题，丢掉哪一题，代码说了算。题多加几道，时间几乎不加。加的是题目自己那点 token。输入按 token 计，多出来的开销就那一点。

采样不是聊天那套。官方说的是新架构，并行采样。一次把所有输出采出来。不逐 token。聊天模型慢，是因为一个词得等下一个词，输出也跟着变贵。Jev 不一个词一个词往外长。

训练方法叫 RLCD，Reinforcement Learning for Calibrated Decisions。目标放在校准：它报出的把握，得和实际判对的频率对得上。不拿“读起来像人”当目标。

输入 $0.042 / 百万 token。输出免费。端到端大约 70ms 到 500ms。七十毫秒有，五百毫秒也有。官方同时给了智力上的判断：System One 任务上，和现有大模型差不多，快一到两个数量级。这句“差不多”只对封闭判断有效。用它写文章，或者把一个没封口的问题聊完，都不算在里面。

这类节点不稀奇。分类、路由、打分、审核、风控，再加上 Agent 里的判断节点，都是这个形状。工单该进哪个队列，下一跳走哪段代码，投诉有多冲，一句话放不放行，一笔操作像不像该拦的异常，岔口上工具交不交出去。这些都问得很快，也都能收成封闭题。

规则能吃掉好写的那一截。例外一多，条件越叠越缠。改一条，怕旁边的一起失效，后来就没人敢动。

也有人把整段 state 扔给会聊天的模型，让它回一句建议。聊天模型做得到。节点要的只是一个倾向。你还得把句子解析成分支，失败了再试。时间耗在文本的形状上。

不是不能上大脑。这个节点不配先上。Jev 接的就是这一截。封闭问题进去，分布出来。过不过线，升不升级，写在旁边的代码里。流程怎么走，仍是代码的事。

退款就能拆成三问：是不是在要退，要退、要改签还是只问规则，火气落在第几档。分别用 Noul、Choice、Score，看同一段 state。政策里写死的句子，留给规则去对。对不上的那些，就看分布。给客户的那封回信，不归它写。

Agent 也这么拆。人最后读到的那句，留给会说话的模型。中间的判断不要步步叫醒一个大脑。叫醒一次，这一步就按聊天的耗时走。判断换成关节，对外的回复可以不动。

写文章不行。它不生成文本。题目和语气放进 state，它仍只回答你写好的封闭题。有没有偏题，这种它能判。句子得另找模型出。

开放题别按进单选。“接下来怎么办”，办法你还没列完，Choice 里就没有那一格。先拆。能穷尽的留给规则。凭直觉就能答的，写成这三种题。需要展开着推理、还得对人把话说完的，再上智能。如果拆不开，这事还不是关节。

有人把 System One 听成降档。规则才更低。System One 是规则上面的本能。它快，而且不写解释。语义还得懂，不然规则就够了。再上面才是智能。官方给的智力是封闭任务上差不多，给的速度是快一到两个数量级。有这一截速度，调用才能放进循环，不用干等一次聊天结束。

基础模型把大多数人提得出的题做平以后，产品要收成明确的接口。Jev 收成关节。聊天能力不卖。规则写不尽、上一个大脑又浪费的那些节点。就是它的位置。