Guides / 视频转图文攻略
Jev 极速分类实战：从 API 调用到 Choice/Score/Noul 三大原子类型
最近更新: 2026-10-24
基于 OpenRouter 的 Jev 上手图解：System 1 分类器、Choice/Score/Noul 三大原子类型、真实概率分布、情绪打分与多语言识别实测，输入仅 4.2 美分/百万 Token。
分步图文攻略
- 1
建立心智模型：Jev 是 System 1 分类器，而非对话模型
Typesafe AI 将 Jev 定位为与前沿推理模型相反的方向：不做自回归文本生成，而是传入 state（工单、日志、Agent trace）与一个或多个 typed 问题，返回结构化值——选中选项、数值分数或 yes/no 概率——以及归一化分布。输出 Token 免费，因为模型从不逐字生成 prose。
Jev 将软件决策映射为对非结构化 state 的 typed 提问——无需聊天界面。跳转至 3:05 - 2
选对原子类型：Choice、Score 或 Noul
Choice 从枚举选项中选一类（语言检测、团队路由）。Score 在你定义的刻度上打分（情绪 0–2、严重度 1–5）。Noul 返回 yes/no 命题为真的校准概率——适合「是否申请退款」「是否紧急」「是否违规」等门禁。多个问题可在普通代码中组合；业务规则变更时改常量即可，不必重写 Prompt。
Choice 演示：五类语言标签及每项概率与综合置信度。跳转至 5:20 - 3
运行情绪 Score 并观察边界样本的置信度变化
现场 Demo 中，0–2 刻度的 Score 对明显正面文本返回 2/2，负面返回 0/2，混合语气返回中间值。单次调用约 $0.000014，足以串联数十次微分类。模糊输入时置信度下降，提示应转人工而非自动执行。
Score 原语：0–2 情绪刻度，置信度随输入歧义度变化。跳转至 6:15 - 4
解析 API 响应：真实概率，而非 JSON 里的假数字
与 LLM-as-judge 输出字符 "0.9" 不同，Jev 返回原生概率张量：type、选中值、各选项 probabilities 与 confidence。Demo 涵盖多语言 Choice（含泰文）、同一工单上的并行 Noul 门禁（退款、时效），以及抗注入路由——歧义升高时模型会给出 "unclear" 类而非过度自信。
API 载荷：typed 答案 + 完整概率向量，可直接用于阈值自动化。跳转至 7:00
常见问题（FAQ）
为什么 OpenRouter 上 Jev 的输出 Token 免费？
Jev 不做自回归文本生成，前向推理直接计算分类头，因此没有可计费的输出 Token。仅对输入 state 与 question schema 的 Token 计费，单次决策通常为几分之一美分。
Jev 与让 GPT-4 返回 JSON 分类有何不同？
JSON Mode 仍逐 Token 生成，且无法提供校准不确定性。Jev 输出严格受 schema 约束，并通过 RLCD（Reinforcement Learning for Calibrated Decisions）训练得到可用作自动化阈值的概率分布。
能否对同一工单并行运行多个 Jev 问题？
可以。单次请求传入多个 Choice、Score、Noul，或在代码中编排。Demo 同时完成 billing/sales 路由、退款检测与时效判断——每个门禁暴露独立置信度，可分别设置 Fallback 规则。
更长的输入是否会提高 Jev 置信度？
Demo 中观察到：极短输入（两词）在 Noul 问题上置信度较低，更完整上下文则更稳定。设计 state 时应包含 criteria 所需的信号，但避免无关噪声稀释决策边界。
相关推荐
Jev API 参考
生产接入的请求结构、认证与错误处理。
阅读Choice、Score 与 Noul
如何为下一步自动化选择最小可验证输出原语。
阅读开源 Jev 模型全景
JevBench 天梯、Semif、DiffusionGemma 与免费 T4 微调 Laya。
阅读更多视频攻略
- 7 分钟透析 Jev 架构：为什么 70ms 决策模型颠覆了 LLM 自动化工作流？
- Jev 赋能极速浏览器 Agent：178ms DOM 决策循环与双模型协作实战
- OpenJevs 开源 Jev 模型全景：Semif、Nimble、Decider、DiffusionGemma 与 Laya 实测
- Jev 会取代 LLM 吗？Krish Naik 白板图解 Jev vs LLM 与混合架构
- Jev Trader 教程：在 Monad 上搭建亚秒级 AI 交易机器人
- Jev Model Router 实战:用 Jev 搭建带隐私门控的本地模型路由器
- Jev 入门教程:State、三类问题与 TypeScript SDK 实操
- 本地跑 Jev:Kev、SemIf 与 Von,自己的 GPU 就够了
- Jev RAG Reranker 实战:用可执行 criteria 打造策略化检索重排
- Jev 什么时候该用:工程视角核实宣传口径、守门与失败模式
- LangChain + Jev 集成实战:路由、护栏与评测
- Jev MCP Server 接入指南:把 Jev 决策层接进 Claude Code 与 Cursor
- Jev vs Luna 独立基准实测：「更快更准更便宜」是真是假？
- Jev Agent Harness 实战:决策闸门该装在 LLM 循环的哪个位置
- Jev Playground 实测攻略：热狗课程、criteria 校准与四平台 token 账单
- Jev 文本分类 API 实战：用 classifier.dev 打通零样本 CLI 与 REST 调用
- Jev API 实战示例：第一条 curl、载荷结构与三种问题类型
- 用 Expanso Edge 和 Jev 搭建日志分流流程
- Treg + Jev 线索丰富：ICP 分类与注册用户评分
- 在 Heym 中使用 Jev 决策节点：语言判断与模型路由
- Laya 上手教程：开源自托管决策引擎的安装、路由与概率校准（Laya vs Jev 实操）
- 训练自己的 Jev：花 $5–$17 微调一个 Jev 式决策模型（能训什么、不能训什么）
- Jev 实用技巧：拿到更好决策结果的 8 条最佳实践（state、questions、criteria 与阈值）
- Jev 上下文压缩实战：不用生成式摘要，直接剪枝 Agent 记忆
- Jev 当 LLM 评审：置信度级联，只要强模型 0.36% 的成本
- TypeSafe Computer Use 实操：用 Jev 做本地桌面自动化
- Jev 简历筛选实战：Express + Jev JavaScript SDK 搭一个 AI 简历评估器
- Jev + Claude Code 实战：语音控制浏览器，类型化决策全程接管
- Jev 接入 Codex 实操：typesafe-ai/skills 安装与 Gmail 30 封邮件分诊
- Jev vs Ollama:本地跑 AI 决策,数据不出门真的可行吗?
- 自己动手造一个 Jev：免费开源零样本分类器（还能打 Doom）
- CUA-S1-Forms：706K 参数的 Jev 型表单填写模型，CPU 就能跑
- 用 Jev 做 NOC/SOC 告警分诊：规则先行、一个类型化问题、一道策略闸门
- Ollama 决策模型实测：tev1 + nimble 跑在 8GB 显卡上
- Jev 生产环境护栏：五步接入实战手册
- Pi Agent 防跑偏插件实战：让 Jev 出概率，让代码做决定
- Tev1 用例实测：50 个任务看尽本地决策模型的能力边界
- Jev 实测：官方宣称与独立复测之间的距离
- Jev 工单分类实战：after-insert hook 与计算字段两种接法
- OpenJev RLCD 实操：开源校准决策模型本地部署全指南
- Clef-Flash vs Jev 实测：把 Cloudflare 决策模型装进 Ollama（Q4_K_M）
- Clef-Flash 实操教程：在 Ubuntu 上从零安装并本地运行 Cloudflare 9B 多模态决策模型
- CLM-8B 架构深潜：44 毫秒打分 1,024 个候选的对比决策模型（比 Jev 快 13 倍）
- Nox 4B 实测教程：本地跑通 Decision 2.0 决策模型，四道真实考题与一次诚实的失败
- Julia-1 实操教程：纯 Python 装上开源 Jev 替代品，10 条客服消息实测 9 比 2
- OpenJev 0.8B CPU 实战：用工单收件箱校准 NLI 路由阈值
- Jev n8n 集成实战：JevGate 社区节点分步攻略（附纯 HTTP 备选路线）
- NanoJev 实操教程：本地部署 0.6B 开源 Jev 复刻，亲眼看它以 47ms 跑迷宫、按概率做路由
- PPLX Decider 实操教程：Perplexity 开源 27B 决策模型、Decisions API 与 12 张工单的分诊实测
- AutoTrust JEV-27B 本地实测：四臂对照、72 道 held-out 题，和一个 0.969 高分的错误答案
- Clef 27B 本地实战：Cloudflare 多模态决策模型一次读懂图片、视频和乌兹别克语报纸
- Ollaya 实操指南：装好「决策模型界的 Ollama」，看清每一个厂商口径数字，再亲手补上它留白的 CPU 实测
- Strands Decider 2B 实测：8GB 笔记本本地安装 AWS Strands 系决策模型，把失败段也留在这页里
- Liquid AI Open d1 本地实测：d1-3B 与 d1-omni-600M 跑进 MacBook Air M5
- 图像决策模型实战 RPA：Imajev-4B 与 Jev-Omni 无 OCR 直读 W-8BEN 税表，90% 置信阈值以下转人工审核
- GLiNER2.5-Decide (340M) 对比 Jev (4B)：决策模型到底谁赢？逐帧核对选型指南
- Jetson 边缘实测：Jev、Strands Decider 2B、Laya、d1-3B 四模型横评——Skill Master 记分卡、Thor 延迟账与 JevBench 逐帧核对
- 微软 Decision-1 实测：146 道独立测试、93% 均分、高置信时 124/125——每个数字逐帧核过
- Jev 接入 Azure AI Foundry 实战：OpenAPI 工具、分诊指令与首跑失败复盘