Jev决策模型一周爆发：21篇arXiv论文与Agent新范式

TypeSafe 的决策模型 Jev 发布之后，谁也没料到，一周之内 arXiv 上标题带 Jev 的论文就冲到了 21 篇，GitHub 上新增 1,865 个项目。这个不写字、只做决定的模型，正在变成 Agent 系统的标配零件。

一周 21 篇：Jev 论文全景

中山大学的《Jev in the Wild》扒了 2,170 个公开项目，发现属性判断和打分是用得最多的两类用法。有趣的是，关注度并不跟着项目数量走：star 集中在路由和接口代理，大家真正围观的是拿 Jev 当调度器的玩法。

21 篇论文粗粗一分，四个方向一目了然：

方向	代表论文	一句话看点
评测裁判	JEV-as-a-Judge、JEV vs. LLMs as Rubric Judges、放射科报告裁判	当裁判，成本是 LLM 的零头
Agent 系统	Jev-Mem、REFLEX、Jev-Mobile、JEV-Star	给 Agent 当反射弧
行业落地	德州车祸编码、诈骗电话筛查、6G 边缘编排、渗透测试	真刀真枪省钱
生态与安全	Jev in the Wild、Decision Hijacking、KITE、NumericJev	生态爆发，攻击面跟着来

亮点数字先过一遍

《JEV vs. LLMs as Rubric Judges》给出了一组扎眼的对比：LLM 裁判贵 29 到 325 倍、慢 30 到 220 倍，而且错的地方和 Jev 几乎一样。

Agent 方向更热闹。Jev-Mobile 在 AndroidWorld 拿下 79% 成功率，API 成本砍掉 73.4%。

JEV-Star 让 GPT-6 做规划、Jev 做执行，打赢了星际争霸 II 内置最强 AI，每局只花 3.71 美元。KITE 让一百万个智能体跑 20 步只要 0.9 秒。

行业落地那几篇同样硬核。诈骗电话筛查用 4B 小模型微调，每轮 64.5 毫秒给出欺诈概率，AUROC 0.974，合法电话零误报。

当然也有人泼冷水。《Decision Hijacking》对 Jev 做提示注入，自适应攻击把成功率从 1.8% 抬到 3.5%。

JEV-as-a-Judge——自信的留下，没底的上报

CMU 这篇算是整波论文里分量最重的评测。研究者把 Jev 和 16 个生成式裁判、奖励模型放在同一套合同下，跑了 1,312 道题，意见分歧的部分还请了盲审人工仲裁，直接堵死了"标签噪声"的借口。

结论一句话：日常偏好和有证据撑腰的事实判断，Jev 和最强裁判 GPT-6 差距不到 3 个点，费用只有对方的 0.36%。

短板同样清楚。需要验算多步推导的 JudgeBench 上，Jev 落后 14.6 个点，推理子项 68.4 对 95.9。遇到"包装精美的错误答案"，RM-Bench 困难对上差距拉到 19.8 个点——选得对和扛得住忽悠，是两种能力。

费用和延迟才是真正的杀手锏。Jev 中位延迟 0.152 秒、每千次判断 0.044 美元；GPT-6 是 1.885 秒、12.182 美元。便宜 277 倍，这就是"经济首筛"的底气。

全文精华是级联。Jev 自带置信度 q（最高标签概率）：q 等于 1 时 99.1% 正确，q 低于 0.6 只剩 47.7%。拿 q 当闸门，自信的直接接受，没底的升级给 GPT-6。

数字相当漂亮：阈值 0.9 时只升级 34% 的题，准确率 91.3% 对 GPT-6 的 91.7%，费用只有 47%。在 RewardBench 上级联甚至反超单用 GPT-6，94.0% 对 93.5%，只花 22% 的钱——因为两个裁判错的题不一样。

Jev-Mem——给 Agent 记忆装上系统一

UT Dallas 这篇解决的是另一个痛点：现在的 agentic memory 用自回归 LLM 管记忆的存、取、停，生成压在关键路径上，又慢又贵。

思路借自双系统认知。系统一（Jev）做高频结构化决策，系统二（LLM）只做复杂推理和答案合成。写路径上，Jev 给记忆打情节、语义、程序、偏好四类标签，先由确定性检索圈出至多 Kw 个候选，再判断语义、因果、实体关系，概率过阈值才连边。

读路径上，它预测该查哪几张关系图、分配检索预算、逐轮评估证据够不够——不够就扩图，够了就停。

两个设计细节值得细品。一是写入时不做不可逆的取舍，原始观察全部保留，选择性只体现在建边和检索上。二是控制开销有硬上限：一次写入最多两批 Jev 调用，一次查询每轮最多一次证据评估加一次候选打分，图扩展、访问节点、深度、耗时全部设限。

效果最能打的是对抗类问题，0.962 对 0.742，直接碾压最强 baseline MAGMA，总分 0.777，相对提升 11.0%。

最后

一个生成模型包打天下正在退潮。决策被拆出来，成为独立的一层，系统一和系统二的分工成了新范式——裁判、记忆、路由、执行，全是同一个配方。对这类技术动态感兴趣的开发者，也可以来云栈社区一起聊聊。