术语表
这些词在官方文档里都是英文。本站统一译法，并保留英文原名便于对照原文。
- System OneSystem One 模型
一类专为「做出软件可直接消费的快速结构化决策」而训练的模型。与生成式大模型的关键差别在于：它不产生文本，所以没有需要解析的内容，也没有可以幻觉的余地 —— 输出直接就是类型化的值和概率分布，代码可以拿它分支、排序和路由。Jev 是第一个 System One 模型，Laya 属于同一类。
- state状态
发送给模型、供它评估的材料：一封邮件、一张工单、一份 JSON 文档、一段合同文本。一次请求里所有问题都对**同一个** state 求值，而且相互独立。这带来一个实用性质：增加问题几乎不改变响应时间，也不会因为问题多而产生上下文腐化。
- question问题（原语）
对 state 提出的一个类型化问题。只有三种：choice、score、noul。「原语」这个叫法是相对软件原语而言 —— 它们模块化、可组合、结构化。一次请求里可以混用三种并同时提出多个。
- choice选择（choice）
从一组给定的选项里选一个。Jev 的 Choice 最多支持 255 个选项。回答里除了选中的那一项，还会给出**每个选项各自的可能性**以及整体置信度。适合分类、路由、从候选集里挑一个这类任务。
- score评分（score）
把 state 放在一条**有序的、有描述的量规**上。回答是落在某一档上的分值、各档的可能性、以及置信度。与 choice 的区别在于选项之间是否有序。常见的坑是「一次问一个复合判断」—— 正确做法是拆成多个原子 score，再在代码里用自己的权重合成。
- noulnoul（是非判断）
问一个是非题，返回「答案为是」的概率（0–1）。它和 confidence 不是一回事：noul 给出的是**关于世界**的概率，confidence 给出的是**关于模型自己**的判断可靠程度。这个区别是初学者最容易混淆的地方。
- confidence置信度（confidence）
模型对自己这次判断有多确定的度量。**这就是 System One 模型最有用的输出**：答案告诉你「是什么」，置信度告诉你「该不该据此行动」。典型用法是做门控 —— 高置信度自动处理，低置信度转人工。注意并不是所有问题类型都返回它：choice 和 score 有，noul 没有（noul 本身就是一个概率）。
- calibration校准
概率输出是否「说到做到」的性质：模型说 70% 的那些样本里，真的约 70% 是正例。两个模型都用强化学习配合严格适当的评分规则（Jev 叫 RLCD）来训练校准，这正是置信度能用来做门控的前提 —— 未经校准的置信度只是数字，不能拿它设阈值。