Jev 與 2026 年決策模型實戰指南:比較方案及 Agent harness 應用
Stop Paying LLM Prices for an if Statement: A Field Guide to Decision Models in Late 2026
Jev 於 2026 年 9 月推出後約八週內,六家廠商推出決策模型或 API,另有至少七個開源項目出現。文章比較 Jev、OpenAI Decisions API、Cloudflare Clef、Google Gemini Decision 1 等方案的輸入、速度、價格及開源程度,並指出部分獨立評測結果較廠商宣稱審慎。
文章將決策模型放入 Agent harness 的路由、閘控與完成檢查,並整理以真實案例、簡單基準和升級門檻驗證方案的做法。
我總是反覆思考一個簡單的問題:既然軟件只需要「是」、「否」或一個數字,為甚麼我們還要叫模型寫一段文字?這是我的筆記,記下 Jev 如何解答這個問題、有哪些人作出回應,以及我會先嘗試甚麼。撰於 19 November 2026。
簡而言之
- 2026 年 9 月 15 日,TypeSafe AI 推出了Jev,一款從不撰寫文字的模型。你向它提供一些狀態(文字或 JSON)和帶有型別的問題,它便會回傳一個選項、一個分數或一個機率。
- 最吸引我的是,這個問題再普通不過。Agent 循環要付出前沿大型語言模型的費用,還要等上數秒,只為處理路由、閘控和相關性檢查等細小呼叫,軟件之後又會把結果轉回一段
if陳述。 - 大約八星期內,Cloudflare、OpenAI、Microsoft、AWS、Google 和 PostHog 都推出了自己的決策模型或 API,至少七個開源專案亦相繼出現。
- 我也希望公平看待這些數字。最受矚目的數字(速度最高快 193.6 倍、成本最低 444.6 倍)來自 TypeSafe 自家的四個工作流程。外部測試結果較為保守,而一個爆紅示範經不起實測。因此,我把這些數字視為有待驗證的假設,而非結論。
為甚麼需要這種模型
把 Agent 執行框架想像成一個循環:模型提出建議,執行框架檢查,模型再繼續。細看執行框架實際檢查的內容,全都是小事:應由哪項技能處理?這個 bash 命令安全嗎?那項工具結果相關嗎?是否應由人員查看?Agent 是否真的已完成?
每一項都是有明確範圍的判斷,而過去的常見做法是詢問通用 LLM,再解析它回傳的內容。每個決策都因此需要一次模型呼叫、解析輸出、處理格式錯誤答案的復原程式碼,還要排在上一次呼叫之後等候。LangChain 有一篇介紹如何用 Jev 建構執行框架的文章,提出了同一個令我信服的論點:讓生成式模型負責規劃和撰寫,把細小的決策交給成本較低的工具處理。
TypeSafe 創辦人 Diogo Almeida 曾任 OpenAI 研究員,亦是 InstructGPT 論文的共同作者。他押注於一個想法:對只需要從固定選項中取得答案的軟件而言,自回歸文字生成並非理想選擇。公司把這類模型稱為System One models,並將產品描述為一次函數呼叫:輸入非結構化狀態,輸出帶有型別的機率式決策。這個名稱向 Jevons paradox 致意,我覺得很有趣:只要把判斷成本降得足夠低,人們便會開始不斷作出判斷。
Agent 執行框架向模型提出的大部分要求,並不是「替我寫點東西」,而是「選哪一個?」
大多數解説文章都會連結這條發布串文,當中以快 20-200x、便宜 40-400x 作宣傳説法:
簡單説明 Jev 的運作方式
- 輸入:一個狀態(任何文字或 JSON),以及你在程式碼中定義的一組帶有型別的問題。1.14 版加入了圖片輸入。
- 輸出:只會回傳你預先列明的選項,因此答案不會出現格式錯誤;但答案仍可能有誤,我會一再強調這一點。
-
基本操作:
choice(從 N 個選項中選一個)、score(按照有序評分準則評分)和noul(一項是非陳述為真的機率)。 - 平行處理,而非循序處理:每個候選項和請求中的每個問題都會一併評估,而不是逐個 token 評估。
- 校準:TypeSafe 表示,它使用 Reinforcement Learning for Calibrated Decisions (RLCD) 進行訓練,因此對某類問題而言,標示為 0.8 的機率,實際上應有約 80% 的機會為真。
-
存取方式:
POST /v1/systemone上的託管 API,每百萬個輸入 token 收費 $0.042,輸出免費。權重未公開。
隨後的八星期
八星期、六家供應商,以及至少七個開源項目。若你在 10 月稍一不留神,就會錯過三次發布。
每次發布,按日期排列
| 日期 (2026) | 事件 |
|---|---|
| 15 Sep | TypeSafe AI 結束隱身模式,據報完成 $40M 種子輪融資,並推出 Jev (v1.13) 早期存取版。 |
| 17-18 Sep | LangChain 發布 Building a Harness with Jev,並推出 langchain-typesafe,內置防護欄中介軟件。 |
| 23 Sep | DataCamp 整理七款開源 Jev 替代方案:Laya、Nimble、Kev、SemIf、Rizzo Flow、Von、NanoJev。 |
| 29 Sep | OpenAI 在 DevDay 公佈 Decisions API。PostHog 推出 Jeeves,一款會先推理再決策的 9B 開放模型。 |
| 1 Oct | Cloudflare 推出 Clef (27B) 和 Clef-flash (9B),提供 Apache 2.0 授權的權重及 RL 微調服務。AWS 推出開源 Strands Decider 2B。 |
| 6 Oct | OpenAI 開放 Decisions API 公開測試。 |
| 9 Oct | Microsoft-Decision-1 開始在 Microsoft Foundry 提供。Cloudflare 加入 Clef-omni。 |
| 22 Oct | OpenAI Decisions API 正式推出。TechCrunch 報道 TypeSafe 估值達 $7.6B。 |
| 11 Nov | Google 推出 Gemini Decisions API,並發布 Gemini Decision 1。 |
業界如何回應
1. 介面規格成為標準。提供狀態和具型別的問題,並傳回機率。據介紹,Cloudflare 的 Clef 與 Jev API 相容。Google 的程式教學展示了 djev-run,這是一個以開源 DiffusionGemma 模型為基礎,重新實作 Jev 的 /v1/systemone 端點的伺服器。Kev 可透過本機 Jev 相容伺服器運行,而 Pydantic AI 加入了 TypeSafeModel,讓決策代理程式可在 Jev 與 LLM 之間切換。
LangChain 從 Google 的 API 推出首日起便提供支援,顯示這套介面規格傳播之廣:它與 TypeSafe 的分類器共用一個基底類別。
2. 多套配方爭奪同一道菜。
- 專門打造:Jev。
- 配備決策頭的小型雙向編碼器:Laya 和 Von,參數量為數億,可在本機運行。
- 配備決策頭或 LoRA 的 LLM 微調模型:Nimble、Kev、NanoJev、Microsoft-Decision-1。
- 小型 LLM 主幹上的指針頭:AWS Strands Decider 2B 以微小評分頭取代文字頭。PostHog Jeeves 也在 9B 模型上採用同一做法,並先產生推理鏈。
- 無需訓練、讀取現有 LLM 選項 logits 的包裝層:SemIf 和 Rizzo Flow。
- 改作決策用途的通用模型:OpenAI 首個 Decisions API 版本將 GPT-6 Luna 限制為輸出結構化答案,並調校至快速產生首個輸出。其團隊曾表示 Jev 是靈感來源;我認為坦承這一點很可貴。
3. 競爭焦點轉向基準測試和微調。Cloudflare 表示,Clef 在 10 項決策基準測試中有 7 項得分最高。Google 表示,Decision 1 在 7 項共同基準測試中有 5 項勝過 Jev 1.14。獨立追蹤平台 Artificial Analysis 呈現的結果則更接近:Decision 1 和 Jev 1.14 在其 Decision Index 同得 66 分;在該次測試中,Jev 速度較快(每項任務約 92 ms,對比 211 ms),每百萬項任務的成本也較低。
Artificial Analysis 在 X 分享了這場正面對決:
認識挑戰者
「人人都照搬 Jev」是個懶人式概括。逐一閲讀各團隊的發布公告後,我發現每個團隊押注的方向都不同。以下按推出先後排列。
PostHog Jeeves:先思考再決策的模型(29 Sep)
這項押注:決策前先推理,並公開權重。
- 模型:一款基於 Qwen3.5-9B、採用 LoRA adapter 和 pointer head 的開放 9B 模型。它表示 Kev 是其靈感來源。
- 特點:它會先為每條問題撰寫一段簡短推理鏈,再為選項評分,然後透過兼容 Jev 的 API 返回經校準的機率。
- 評分(自行公佈):在公開 JevBench 級別取得 93.5%,Jev 則為 86.6%。
- 思考的代價:不進行推理時約需 0.3 秒;使用完整推理鏈時,中位數為 3.3 秒(p90 為 17.1 秒)。
- 開放程度:採用 Apache-2.0 授權的權重、MIT 授權的程式碼,以及儲存庫內的訓練程式碼和數據。你需要一張 CUDA GPU。
OpenAI Decisions API(於 29 Sep 宣佈,6 Oct 推出 beta,22 Oct 正式推出)
核心押注:你已經有一個大型模型,因此只要教它像小型模型一樣作答。
- 開發方式:它以 GPT-6 Luna 運行。OpenAI 的 API 產品負責人曾表示,在發布前四星期,這項產品仍未列入路線圖。第一版使用 Luna,沒有額外訓練:限制它輸出結構化答案、一次回答多條問題,並作出調校以更快返回第一個決策。他表示 Jev 是其靈感來源。
- 功能:支援文字和圖片輸入、預設選項、真/假條件及評分。據報延遲為 100-180 ms,低於原本的 1-3 秒;速度最高可比透過 Responses API 呼叫 Luna 快 10 倍。輸入費用為每百萬 tokens $0.10,輸出則不收費。
- 試用客戶:早期客戶包括 Box、Datadog、Ramp 和 Speak。Speak 的 CTO 表示,動作之間的時間由 1.4 秒縮短至 0.13 秒。
- 表現比較:TechCrunch 報道,在十月發布時,Jev 在 Artificial Analysis Decision Index 排第 3,OpenAI 的模型排第 14,因此其賣點是速度和多模態能力,而非純粹的準確度。
- 作為參考:Vercel 表示,Jev 登上 AI Gateway 後一天內,接近 13% 的付費團隊已試用。
OpenAI 宣佈正式推出的開發者帳號貼文(當中引用較早前的 beta 貼文):
Cloudflare Clef 和 Clef-flash(1 Oct)
核心押注:提供與 Jev 相同的 API、開放權重,以及一種使用自家流量進行微調的方法。
- 模型:這是 Workers AI 團隊訓練的首批模型,分別為 27B(Clef)和 9B(Clef-flash),以凍結的 Qwen 主幹模型構建。權重採用 Apache 2.0 授權,可在 Hugging Face 取得,兩款模型均可在 Workers AI 運行。
- 與 Jev 相同的 API:切換時只需更改端點和模型名稱。Clef 每次呼叫最多可處理 64 條問題,支援 64K 上下文(Jev 為 32K),並可在請求中加入最多 4 張圖片。
- 速度和價格(供應商公佈):Clef 的中位延遲為 209.3 ms,Clef-flash 為 38.8 ms;託管版 Jev 則為 524.1 ms,當中包括網絡延遲。Clef 每百萬輸入 tokens 收費 $0.24,Clef-flash 收費 $0.09,Jev 則為 $0.042。
- 基準測試(供應商公佈):Clef 有一款模型在 10 項決策基準測試中的 7 項領先,Jev 則在 When2Call 和 BRIGHT 勝出。在 Cloudflare's Decision Index 上,Clef 得分為 61.21,Jev 則為 57.91。
- 實際應用:Cloudflare 的威脅情報團隊使用 Clef 和 Browser Run,在 2.2 秒內為網域分類;gpt-oss-120b 則需時 4.7 秒,而且只返回兩個類別。
- 更大的構想:一項 RL 微調服務。AI Gateway 擷取流量,Workers AI 執行 rollout,Containers 作為沙盒,新的 Trainer 更新權重,再由自攜模型功能重新部署結果。服務初期由前線部署工程師支援。
- 注意事項:數據由供應商提供;Clef 尚未有已發佈的校準數據;而且每個 token 的成本高於 Jev。Clef-omni 及更便宜、更快的變體約於 9 Oct 接續推出。
Cloudflare 發布 Clef 的官方貼文:
AWS Strands Decider 2B (1 Oct)
主打之處:小巧得足以在手提電腦上執行,而且全面開放。
- 模型:一個以 Qwen3.5-2B 主體為基礎、約 2B 的開放模型。模型移除了生成文字的頭部,改用約有 1M 參數的指標頭,為答案選項評分。後續版本加入了最高達 26B 的 Gemma 4 模型。
- 運行方式:只可在本機運行,沒有託管 API。小型任務在 RTX 3090 上的中位數約為 106-115 ms,在 M3 MacBook 上則約為 153 ms。
- 評分:在 231 項公開的 JevBench 測試中取得 72.3%,並有文件記錄其在長篇多步驟文件及陌生評分準則上的弱項。據報,競爭對手的開放模型 Mapika decider-2b 在同一基準測試取得 76%。
- 開放程度:採用 Apache 2.0 授權,並公開模型權重、訓練數據及腳本。
- 我喜歡的示範:代理程式呼叫天氣工具前,Decider 留意到缺少地點資料,於是代理程式會先提問,而不是自行猜測。AWS 稱之為「混合式代理程式」:由決策模型作選擇,再由 LLM 推理。
AWS 開發者帳戶介紹該模型的貼文:
Microsoft Decision-1 (9 Oct)
主打之處:以 Jev 的價格在 Azure 上使用,並讓數據留在所屬區域。
- 模型:Qwen3.5-9B,由 Microsoft 進行後訓練,以快速完成單次決策評分。模型會回傳選項、評分、「是」的機率,以及信心度。
- 運行方式:在 Azure 上的 Microsoft Foundry 運行,亦可選擇在資料區域內處理。OpenRouter 同日將其上架,提供 32K context。
- 價格及輸入:每百萬個輸入 token 收費 $0.042,與 Jev 相同;輸出免費。只支援文字或 JSON,不支援圖片。
- 聲稱(Microsoft 官方數據):在涵蓋近 150,000 條問題的 36 項基準比較中準確度最高,中位數為 85 ms,速度比第二名快 4.5 倍。一項在 X 分享的獨立 JevBench 排名將其列為 API 提供的決策模型中第六名,較 Jev 低兩位。
- 我的看法:適合「已在 Azure 上,並希望數據留在原處」的用戶。
Microsoft Developer 的發布串文(其中的基準數據由 Microsoft 提供):
Google Gemini Decision 1 (11 Nov)
主打之處:任何內容都可以交給它,並一次提出一千條問題。
- 輸入:這幾款模型中多模態支援最廣的一款:文字、圖片、音訊、影片及 PDF。
- 每次呼叫的規模:每個請求最多可處理 1,000 條問題、最多 255 個多項選擇選項,並支援 256K context。
- 速度及價格(供應商數據):端對端需時 150-250 ms;每百萬個輸入 token 收費 $0.10;輸出不收費。
- 起源:這是一個 DeepMind 原型,約六星期後由一支小型團隊推出。
- 基準測試:Google 表示,在 7 項共同基準測試中,有 5 項勝過 Jev 1.14。Artificial Analysis 在其 Decision Index 上給兩者同為 66 分;Decision 1 每項任務平均需時 211 ms,Jev 則為 92 ms;而且每百萬項任務的成本更高($345 對 $156)。
Sundar Pichai 在發布當日宣佈了這件事:
我從這個陣容看到甚麼
無論是託管式或開放權重、純文字或多模態、小型本機模型或改造而來的大型模型,真正的選擇取決於你的數據和 Agent 已經在哪裏運作。如果你的系統運行於 Azure、Cloudflare 或 Google,現在都有原生選項。如果你想自行掌控權重,AWS、PostHog 和 Cloudflare 均有推出這類模型。如果你只想要成本最低的文字答案,按發布時的價格,Jev 和 Microsoft 仍較划算。
開放權重挑戰者一覽
| 模型 | 發布日期 | 基礎模型 | 規模 | 授權條款 | 特色 |
|---|---|---|---|---|---|
| Clef / Clef-flash (Cloudflare) | 1 Oct | 凍結的 Qwen 主幹模型 | 27B / 9B | Apache 2.0 | 相容 Jev 的 API、RL 微調服務 |
| Strands Decider 2B (AWS) | 1 Oct | Qwen3.5-2B | ~2B | Apache 2.0 | 指標頭、可在本機運行、訓練數據已發布 |
| Jeeves (PostHog) | 29 Sep | Qwen3.5-9B | 9B | Apache 2.0 權重、MIT 程式碼 | 在作出決定前先提供理由 |
並排比較
以下用一個表格列出五個託管選項。開放權重模型則見上方的表格。
| Jev (TypeSafe) | Clef / Clef-flash (Cloudflare) | Decisions API (OpenAI) | Gemini Decision 1 (Google) | Microsoft-Decision-1 | |
|---|---|---|---|---|---|
| 發布日期 | 15 Sep | 1 Oct | 29 Sep 公佈,22 Oct 正式推出 | 11 Nov | 9 Oct |
| 基礎模型 | 專門打造,RLCD | 開放模型,27B 和 9B | GPT-6 Luna,經改編 | 未有披露 | Qwen3.5-9B,經後訓練 |
| 輸入項目 | 文字、JSON;1.14 起支援圖片 | 文字、圖片 | 文字、圖片、JSON | 文字、圖片、音訊、影片、PDF | 文字、JSON(不支援圖片) |
| 每次呼叫的問題數量 | 未有説明 | 最多 64 個 | 最多 400 個 | 最多 1,000 個 | 未有説明 |
| 每 1M 個輸入 token 的價格 | $0.042 | $0.24 (Clef),發布時 $0.09 (Clef-flash) | $0.10(快取後 $0.01) | $0.10 | $0.042 |
| 延遲數據 | 70-500 ms(供應商提供) | 38.8 ms 中位數,Clef-flash(供應商提供) | ~150-180 ms(發布報道) | 150-250 ms(供應商提供) | 85 ms 中位數(供應商提供) |
| 開放程度 | 託管式、封閉 | 開放權重,Apache 2.0 | 託管式 | 託管式 | 在 Azure 上託管 |
速度的比較較為複雜,因為各方的測量方式不同:
價格和延遲數據大多來自發布文章,而且變動很快,因此請查閲最新文件。如果由我選擇,我也會考慮開放選項(Laya、Von、NanoJev):它們在困難案例上的準確度稍遜,換取本機控制、每次呼叫零成本,以及可自行調校的模型服務。
它為 Agent 執行框架帶來的改變
我在實際運作的配置中看到的模式,幾乎可以説是一句箴言:程式碼建立選項,決策模型作出選擇,程式碼執行動作。模型是沒有狀態的裁決器,沒有記憶、工具或文字輸出,因此執行框架要提供其餘一切。以下是它發揮作用的環節:
- 路由器:選擇由哪個模型或 Agent 處理請求。
-
閘門:在工具呼叫執行前為它評分,例如 bash 命令。LangChain 的
AutoModeMiddleware會將這項功能打包。 - 選擇器:從每一步之後重新建立的選單中,選擇下一個工具、技能或瀏覽器動作。
- 驗證器:在 Agent 聲稱「已完成」時,檢查它是否真的完成,而不是每一輪都檢查。
- 分流:把信心不足的個案交由人手或更大型的模型處理。
我會參考曾建構這類系統的人分享的經驗:
- 務必加入「以上皆非」選項,否則模型會選擇其中一項。
- 把模型無法自行得知的事實加入狀態資料。有開發者表示,加入當前日期後,答案評分由 0.35 升至 0.94。
- 把互相獨立的問題合併成一次呼叫,但先執行有依賴關係的問題。
- 在發布前決定「不確定」代表甚麼。
- 以簡單基準作比較,例如固定回答。這樣做有助認清現實,也很有用。
在這些事項之中,我會最先決定「不確定」代表甚麼。開發者分享了幾個起步方向:
實例筆記:Cloudflare 的 AI Engineer 演講提供了一個具體案例:在建置失敗示範中,決策模型負責選擇工具和擷取日誌,只有診斷工作交由大型推理模型處理。這把 6 次 LLM 呼叫減至 1 次,並把約 40K 個 token 減至 1.8K。這是供應商的示範,但展示了我認為最合理的分工方式。
我仍然持保留態度的地方
我很認同這個想法,正因如此,我更想謹慎看待它。
- TypeSafe 宣稱速度提升 20-200 倍、成本降低 40-400 倍;在其自家 4 個工作流程中,最佳結果分別達到 193.6 倍和 444.6 倍。有幾位分析師指出,這些數字來自挑選出的評測中最高的結果。
- 一項學術評測(Deußer 等人所做,由 DICE 論文引用)以 37 個數據集測試 Jev:零樣本表現出色,選擇概率的校準亦良好;但布林輸出可能需要按任務調整閾值,而細粒度分類和按評分準則作判斷仍然不容易。
- 一段廣為觀看、展示以 Jev 作為上下文壓縮工具的影片(轉發者聲稱一次工作階段的 token 數由近 1M 降至 86K),曾由 Teknium 使用 Nous 的壓縮評測進行測試。在相同預算下,它與簡單的近期性策略打成平手。批評主要針對壓縮策略,而非 Jev;但我仍記住了當中的教訓:如果評分機制是否有效都不影響結果,那麼看起來一樣的示範便證明不了任何事。
- 有報道指,一位 Vercel 工程師把命令安全分類器背後的 OpenAI 模型換成 Jev 後,速度提升 5-18 倍,準確度亦更高。我只在一篇二手報道中找到這項資訊,所以轉述前請先核實。
值得一看的開源程式庫
我沒有核實星數或授權條款(DataCamp 的整理文章大多沒有列出授權條款),所以在依賴任何一個程式庫前,請先自行核實。
| 專案 | 程式庫 | 方法 |
|---|---|---|
| Laya | github.com/NandhaKishorM/laya |
ModernBERT-large(多語言版本為 mmBERT),322M-421M 參數,單次前向傳播 |
| Nimble | github.com/bespokelabsai/nimble |
Qwen3.5-9B 搭配 rank-16 LoRA,並公開訓練方案 |
| Kev | github.com/jaredpalmer/kev |
Qwen3.5 + LoRA + pointer head,0.8B/4B/9B,與 Jev 相容的本機伺服器 |
| SemIf | github.com/TheoLeeCJ/SemIf |
無須微調:從現有開源 LLM 讀取選項 logits |
| Rizzo Flow | github.com/Rizzo-AI-Academy/rizzo-flow |
以本機為先,使用 llama.cpp 提供服務,模型大小為 1.7B-4B |
| Von | github.com/wfzyx/von |
約 395M 參數的雙向 ModernBERT,已校準 |
| NanoJev | github.com/TianyuCodings/NanoJev |
Qwen3-0.6B 搭配決策頭,一個小型可訓練的複製版本 |
| Clef | Hugging Face Cloudflare/clef
|
Apache 2.0 權重,亦可在 Workers AI 使用 |
按大小排列的同一份清單;這是我在本機試用前首先查看的資訊:
執行框架及框架支援:langchain-typesafe(LangChain)、TypeSafeModel(Pydantic AI)、Asymptote-Labs/agent-beacon(跨執行框架的 Agent 記憶)、VersusControl/devops-ai-guidelines(Agent 評測教學),以及 Google 的「Getting started with Discriminative models」codelab。
如何開始而不自欺
- 在你的執行框架中,挑選一個範圍明確的分岔點:路由器、閘門或完成檢查。
- 建立一個小型的真實案例標準集,並附上你信任的標籤。
- 分別用決策模型、你目前使用的 LLM,以及一個簡單的基準方案來測試。
- 訂定升級門檻,並把所有低於門檻的情況交給更大型的模型或真人處理。
- 量度端到端延遲、成本和快取行為,而不只是單次呼叫的數字。
- 不可逆的操作應交由確定性程式碼控制。帶型別的概率是證據,而非決定權。
重點是:推理模型負責規劃和撰寫,決策模型在每個範圍明確的分岔點作判斷,而一般程式碼則掌握執行操作的決定權。
如果你曾在自己的執行框架中接入決策模型,我很想知道它在哪些地方有幫助、哪些地方沒有。歡迎在留言中告訴我。
來源
- Jev 是甚麼?(Sanity 詞彙表)
- TechCrunch:ChatGPT 發明者推出一種新型 AI 模型
- Fortune:Jev 一炮而紅
- TechCrunch:OpenAI 廣泛開放其 Jev 競爭產品
- LangChain:使用 Jev 建立 Harness
- Cloudflare 更新日誌:推出 Clef
- Latent Space:D-Day(決策模型日)
- Jev 兩個月後
- DataCamp:7 大開源 Jev 替代方案
- DEV:如何打造 Jev harness
- The Register:Jev 的一週
- arXiv:DICE
- Google Codelabs:判別模型
- Pydantic AI:TypeSafe(Jev)
來源:DEV Community · dev.to










