不写作文的 AI，是一台判卷机

AI 早就会写东西了。真正难的那一步，是让它替你做决定。有家公司专门做了一台不写字的模型，叫 Jev。这篇文章用大白话讲清它到底在干什么。

先说它不干什么

它不会写稿、不会总结、不会翻译。你用 Jev 的时候，拿不回任何一句成文的话。

这不是它偷懒。它把写字这件事整个去掉了，换来的东西很实在。快、便宜，而且它只会答你给的题。

要理解它，就想象你在出卷子。你给它一段材料，再给它几道题，它交回一张答题卡。

题目只有三种形状。

单选题。 你在选项里挑，比如「正常 / 边缘 / 违规」。它回你选了哪个，以及每个选项的概率。选项是你给的，所以它没机会发明一个你没声明过的类别。这是它和聊天模型最大的区别。
打分题。 你定义一个量表，比如从「很平静」到「非常生气」。它给你一个分数，可以是小数，因为它给的是整条量表上的期望值。
判断题。 你问一句陈述成立不成立，它只回一个 0 到 1 的概率。

一次调用可以同时问很多题。这些题之间互不影响，各答各的，所以一篇稿子可以一次问完「有没有缺少出处的断言」「语气合不合适」「该进哪个栏目」，不用排队。

内容行业这几年都在讨论 AI 写得好不好。真把 AI 塞进产品的人会告诉你，卡住的地方在别处。

一条内容流水线里，需要写字的环节其实只有一两个，比如写标题、写摘要。剩下的全是判断。

这些判断里有几个特别典型的。

这些活的共同点是又快又多。你需要的是一个便宜、快、并且敢说「我不确定」 的判断层。

这是它跟普通 AI 最不一样的地方。

普通聊天模型也能给你一个「置信度」，但那个数字很难用。有人把它接进产品试过，做法是设一道阈值，把握高于 0.9 才自动执行，低于就交人工。结果发现，模型给的数字经常没有信息量。

我们自己出过一批有确定答案的判断题，问的模型是同一个，只换取概率的方式。结果要么每次都报 1.00，要么连这个数字指什么它自己都不统一。同一个提示词下，一半的回答把数字当成对判定的把握，另一半当成判定成立的概率。

所以拿到概率的第一件事，是自己验一遍。 这是这类数字的通病，Jev 也不例外。TypeSafe 自己的评测页面也写明，直接读模型输出得到的概率，只是在你给的这几个选项上归一化过的相对值，不等于客观正确率。

TypeSafe 自己公布了几个真实工作流的评测，做法是同一个工作流分别交给 Jev 和最贵的模型，比较准确率、每次成本、每次耗时。

	准确率	每次成本	每次耗时
Jev	67.8%	0.0004 美元	0.4 秒
最强的对照模型	73% 到 74%	0.08 到 0.18 美元	23 到 38 秒

便宜约两百倍，快约五十倍，准确率低五到六个百分点。 这是它家自己给的数字，我们没有亲自测过，但他们把工作流和题目都公开在评测页上，可以自己去核。

早期拿到试用资格的人跑出来的数字也对得上。有人把一千多篇论文摘要分成二十四个主题，花了八美分，每篇中位 256 毫秒。有人跑九万八千条商品分类，十分钟跑完。

不过有一笔账要自己算。省钱的比例，等于你流水线里「判断类调用」占的份额，乘以那部分省下的比例。 如果一篇稿子的生成要花四美元、判断只花八美分，那么判断这一侧再便宜十倍也帮不上忙。先看清楚自己的账单花在哪。

第一，题目要拆小。 别问「这篇稿子好不好」，那种题需要综合判断，它做不好，官方也把这类任务列进了「不适合」清单，包括需要长链推理的、专业领域的、以及任何需要生成文字的。正确的做法是拆成三小题，比如有没有缺出处的断言、语气对不对、适不适合这个栏目，然后自己在代码里加权。

第二，同一批题目之间不能互相引用。 它们各答各的，后的题拿不到前的题的答案。真需要串起来，就发第二次请求。

另外它现在只吃文字。图片、音频要先由别的模型转成文字，那一步的时间和钱也要算进去。

生成能力早就够用了，卡住自动化的地方是敢不敢让它自己发。Jev 这类模型卖的就是这份「敢」，把「要不要叫人看一眼」变成代码里一个可以调的阈值。

它适合那些重复、量大、出错了也不至于出大事的判断，不适合需要它独立承担后果的场景。TypeSafe 在自己的使用建议里也写了这一点，金融、医疗、法律这类领域只拿它做分流，最终决定仍然留给人。

至于那些概率到底可不可信，我们上个月做过一次更硬的实测，把八种「从模型拿概率」的方式摆在一起比过，细节在那篇里。