jev

ai大模型-探索者

意图识别三选一（BERT微调、LLM+Prompt、Jev）一句话总结：这三条路不是"谁更先进"，而是在"数据、速度、成本、可改性"四个约束下的不同解法。BERT 微调是封闭意图集里的性价比之王（毫秒级、近乎零边际成本，但要标注数据、加个新意图就得重训）；LLM + Prompt 是零样本时代的瑞士军刀（改个字就能加意图、还能解释理由，但慢且贵）；Jev 是专门为"判断"设计的决策模型（70–500ms、输出带校准置信度、永远不给你编标签，但中文偏弱、不能微调）。先问自己三个问题：意图封闭吗？有多少标注数据？QPS 多高？答案基本就出来了。

【AI】Jev API 接入实战：用 Python 调用 TypeSafe Jev 做结构化判断上一篇讲了 Jev 是什么（System One 快速判断模型入门），这篇直接动手：从申请 Key 到写出一个可用的置信度路由，完整走一遍。

TypeSafe Jev 1.14.0 使用教程：System One 决策 API 从入门到 box 定位本教程面向要把 TypeSafe Jev jev-1.14.0 接到业务代码里的工程师：从申请/配置 API Key、发出第一个请求，到四种题型、多题并行、图片 + box、长上下文、置信度落地，再到排错。目标是一份可照抄改写的动手指南，不是产品软文。

【Jev】多模态Jev决策模型【多模态决策模型进展】书生大模型 InternLM 在 GitHub 开源多模态决策模型项目 Intern-Decision，并在 Hugging Face 发布 Intern-Decision-0.8B、Intern-Decision-2B 和 Intern-Decision-4B 三个模型权重。该模型将状态、可选图片和多个结构化问题转换为决策与概率，基于 Qwen3.5 微调语言主干，同时冻结视觉编码器和投影层，支持选择、评分和是非三类问题。

【Jev】VideoJev: System One Model for Video Understanding and InteractionVideoJev: System One Model for Video Understanding and Interaction ⚡️首个视频理解Jev模型，大幅度提高精度的同时提速3-100倍 🔗https://huggingface.co/papers/2610.18615 🌟https://github.com/MCG-NJU/VideoJEV

想会飞的蒲公英

Jev 模型详解：不生成文字的决策模型，接口、置信度与评测边界客服工单、内容审核、检索片段筛选，这些任务最后都要落到一个封闭决定：分给谁、过不过、排第几。聊天模型会写一段很像样的理由。程序真正要的，是一个能分支的值和一份能设阈值的概率。

决策模型做内容安全检测：从踩坑到上线接口参考： https://help.aliyun.com/zh/model-studio/decision-model-api?spm=a2c4g.11186623.0.i0#%E6%98%AF%E9%9D%9E%E5%88%A4%E6%96%AD%E7%A4%BA%E4%BE%8B-h4

性能比肩闭源 Jev 1.13，开源决策模型 StartLux-Decision 介绍及本地部署支持文本/图片决策最近，决策模型 Jev 很快火了起来。与普通对话模型不同，这类模型不是围绕开放式问答生成一段文字，而是针对给定材料和候选项直接做出判断。比如客服工单该分给哪个团队、故障是否需要升级、影响程度属于哪一级，都可以由模型输出明确的选项和对应概率。

类Jev项目Kev从入门到实战(6)：Jev / Kev / Laya 对比Laya 是另一款开源 Jev 替代（322–421M 参数，Apache-2.0），是我在调研 Kev 之前的首选。三者代表三条路线：闭源托管 / 轻量开源 / 可训开源。

Jev初体验记录年初的时候我分享了我的AI资讯热点捕捉器，用 n8n 搭了个工作流，每天自动抓 AI 资讯存进飞书多维表格。这期间每天都在正常运行，截止到10月2日，已经汇总了14194条数据了。

Agent的state注入这不是黑客炫技，是 TypeSafe 官方文档自己承认的缺陷查证日期：2026-10-01 ｜官方引文来自 TypeSafe AI 文档 jaggedness 页（jev-1.13，2026-09-17 复核）

类Jev项目Kev从入门到实战(5)：如何训练：从数据构造到评测的完整管线一行一个请求，与 API 请求同形状，每个问题多一个 label：choice 的 label 是选项名，noul 是 true/false，score 是等级序号（从 0 起）。留 10–20% 做评测。

大鹏的NLP博客

理解 Jev：让大模型从“生成”走向“判断”大模型的一个天然特点是：即使只是做一个简单判断，也习惯通过自回归生成来给出答案。例如：“这个请求应该交给哪个部门？”

爱喝雪碧的可乐

CSDN｜爆火哑巴AI Jev模型深度实战｜技术博客这个AI一行代码都不会写，却让14万程序员上头：Jev保姆级实战（附API代码）你有没有经历过这种绝望——

类Jev项目Kev从入门到实战(1)：Kev 是什么——不开权重也能自训的决策模型Kev 是 jaredpalmer 开源的「Jev 类小决策模型」家族——在 Qwen 底座上加 LoRA 适配器 + 指针头，不做文本生成，只做打分决策：一次前向传播，对一段文本上的一组类型化问题各输出一个概率分布。

3090 上的部署两种基于Qwen3.5-4B 判别模型open jev：llama.cpp和 vLLM ，谁更快、谁更准2026 年 9 月，我把同一个 4B 模型用两种方式放到 RTX 3090 24GB 上，对外都走 OpenAI 兼容接口，做同一件事：读完一篇舆情，只回答一个字母。A 表示文中能看出具体毕业生和他的毕业院校，B 表示看不出来。

梦想的颜色

【AI科普】Jev：使用场景全拆解 + 五条安装使用路线2026 年 9 月 15 日，一个叫 Jev 的模型突然刷屏。它不会聊天、不写文章、不写代码 ——一个字都不生成。

从预测字母到预测单词：一次本体论的觉醒“突然想到个问题，如果我给 Jev 26 个字母做选择概率判断，那能不能达到说话的效果？🤔🤔”“算上标点，你就得到了 Next Token Prediction？”

我是有底线的