Why a New Class of AI "Judgement Models" Could Have Big Business Implications

Typesafe 推出 Jev 判断模型，号称比 LLM 快 20-200 倍、便宜 40-400 倍，专门用来给决策打分而不是生成文本。

大多数人以为 AI 就是 LLM 聊天机器人，但 Typesafe 推出的 Jev 模型走了完全不同的路：它不写长文，只给具体问题打概率分数，比如“客户是不是生气了”。这类“判断模型”不仅速度和成本远超 LLM，还能和 LLM 配合，解决企业里大量“看一眼就能决定”的小决策。本文带你看清 Jev 背后的新思路、实际用法，以及它和 LLM 的分工。

Jev 最大的不同点是它不生成文本，只回答“有多大概率是某种情况”，像是给每个判断打分。

• Jev 输出的是概率：比如“客户是否生气”，Jev 会直接给出 0.9（90% 可能生气），而不是写一段解释。
• 可以自定义分类和问题：你能让 Jev 判断“愤怒/恼火/烦躁”等多个情绪类别，并给出各自概率。
• 速度和成本远超 LLM：据 Typesafe 创始人 Diego Almeida，Jev 比 LLM 快 20-200 倍、便宜 40-400 倍，输出 token 免费。

Jev 适合做那些“看一眼就能决定”的小判断，帮软件自动分流、排序、提醒，但不适合写长文。

• 企业日常大量小决策：比如客服判断“客户是否投诉未解决”、销售判断“这是不是有效线索”、编辑判断“文案是否合规”，Jev 都能给出概率分数，软件据此自动处理。
• 和 LLM 配合用效果更好：可以让 LLM 生成多个回复选项，再用 Jev 判断哪个最合适，最后自动执行。
• 像“知识工作的代码检查器”：Mike Taylor 用 Jev 检查 37 篇文章是否有 AI 痕迹，21 个问题一共 777 个判断，0.7 秒内完成，成本仅 0.25 美分。

Jev 不止能帮个人做决策，更能让团队里的“谁该做什么”自动分配，减少人工沟通。

• 自动识别跨团队承诺：比如销售承诺“下月前支持集成”，Jev 能判断这是否涉及工程、产品等多方责任，并自动提醒相关团队。
• 适合“多玩家”AI 场景：团队协作时，Jev 能判断“谁需要知情”“谁有决策权”，自动分发任务或请求批准。
• 但不能完全替代 LLM：Jev 只能做判断，不能写文案或长文本，实际应用需要和 LLM 组合成更复杂的系统。

“Jev 就像知识工作的代码检查器，能把模糊的判断变成结构化的答案，让自动化变得又快又便宜。”

• 如果你在企业里有大量“判断型”流程（如工单分流、合规检查、线索评分），可以用 Jev 这类模型替代部分 LLM，省钱又提速。
• 设计自动化系统时，考虑把 LLM 和判断模型搭配使用：LLM 负责生成内容，Jev 负责判断和决策，组合起来效率更高。