決策模型術語表
這些詞在官方文件裡都是英文。本站統一譯法，並保留英文原名便於對照原文。
- System OneSystem One 模型
一類專為「做出軟體可直接消費的快速結構化決策」而訓練的模型。與生成式大模型的關鍵差別在於：它不產生文本，所以沒有需要解析的內容，也沒有可以幻覺的餘地 —— 輸出直接就是型別化的值和機率分佈，程式碼可以拿它分支、排序和路由。Jev 是第一個 System One 模型，Laya 屬於同一類。
- state狀態
傳送給模型、供它評估的材料：一封郵件、一張工單、一份 JSON 文件、一段合同文本。一次請求裡所有問題都對同一個 state 求值，而且相互獨立。這帶來一個實用性質：增加問題幾乎不改變響應時間，也不會因為問題多而產生上下文腐化。
- question問題（原語）
對 state 提出的一個型別化問題。只有三種：choice、score、noul。「原語」這個叫法是相對軟體原語而言 —— 它們模組化、可組合、結構化。一次請求裡可以混用三種並同時提出多個。
- choice選擇（choice）
從一組給定的選項裡選一個。Jev 的 Choice 最多支援 255 個選項。回答裡除了選中的那一項，還會給出每個選項各自的可能性以及整體置信度。適合分類、路由、從候選集裡挑一個這類任務。
- score評分（score）
把 state 放在一條有序的、有描述的量規上。回答是落在某一檔上的分值、各檔的可能性、以及置信度。與 choice 的區別在於選項之間是否有序。常見的坑是「一次問一個複合判斷」—— 正確做法是拆成多個原子 score，再在程式碼裡用自己的權重合成。
- noulnoul（是非判斷）
問一個是非題，返回「答案為是」的機率（0–1）。它和 confidence 不是一回事：noul 給出的是關於世界的機率，confidence 給出的是關於模型自己的判斷可靠程度。這個區別是初學者最容易混淆的地方。
- confidence置信度（confidence）
模型對自己這次判斷有多確定的度量。這就是 System One 模型最有用的輸出：答案告訴你「是什麼」，置信度告訴你「該不該據此行動」。典型用法是做門控 —— 高置信度自動處理，低置信度轉人工。注意並不是所有問題型別都返回它：choice 和 score 有，noul 沒有（noul 本身就是一個機率）。
- calibration校準
機率輸出是否「說到做到」的性質：模型說 70% 的那些樣本里，真的約 70% 是正例。兩個模型都用強化學習配合嚴格適當的評分規則（Jev 叫 RLCD）來訓練校準，這正是置信度能用來做門控的前提 —— 未經校準的置信度只是數字，不能拿它設閾值。
⚠️ 但「訓練時用了校準目標」不等於「輸出的機率已經校準」。 這一點目前有公開的反面證據：有獨立實驗讓 Jev 猜一顆公平骰子 400 次，它 400 次選同一個面、平均自報 82.9%，而實際正確率是 19.0%；也有預註冊的分佈外測試測出不同原語的偏差方向相反。落地時請把置信度當作待校準的先驗，並在自己的資料上量出可信區間 —— 見指南里的實測與閾值選擇。
- escalation升級（轉人工）
置信度落在中間帶時，把決策交給人的做法。它不是「失敗分支」，而是設計出來的一檔 —— 高置信度自動處理、低置信度丟棄，中間那一帶交給人。兩個容易漏掉的點：中間帶是人力成本（頻寬越寬，人處理的越多）；升級必須有兜底，否則沒人來看時這件事就永遠停在那裡，而面板上看起來和「一切正常」一模一樣。
fast-jev-compaction6,653★ · foreman540★ →
- cascade級聯
先讓便宜的一檔做判斷，只把它不確定的部分交給更貴的模型。省下來的比例等於高置信區間的覆蓋率（有實測：在 ≥90% 確信的那 37% 上定案，就省掉 37% 的大模型呼叫），而不是某個固定的百分比。前提是小模型的錯誤是隨機噪聲 —— 如果它系統性地在某一類輸入上過度自信，那一類就永遠不會被升級。
jev-review (devagrawal09)586★ · jev-search446★ →
- fan-out併發提問
一次請求裡問很多問題，讓程式碼挑出有用的答案。省下來的主要是輸入：同一份 state 只發一次，所以問題越多，每個請求那份固定開銷被攤得越薄（有實測：8 個問題並行時輸入 token 中位數省 76–86%）。⚠️ 它適合彼此獨立的判斷（分類、打分、過濾），不適合需要互相比較的排序 —— 有基準測出按批處理會過不了排序質量門。
jev-review (devagrawal09)586★ · jev-search446★ →
- guardrail護欄（門控）
在內容進入或離開一個系統之前，用一次結構化的判斷決定「放行 / 複核 / 阻斷 / 改道」。它的關鍵取捨不在閾值，而在出錯時往哪邊倒：擋風險的護欄（許可權、金鑰、危險操作）應當 fail-closed（出錯就攔），擋效率的護欄（收尾檢查、格式檢查）應當 fail-open（出錯就放）。另一個反覆出現的做法是確定性規則先跑，只把規則判不了的灰區交給模型。
fast-jev-compaction6,653★ · foreman540★ →
- abstention棄答
模型對自己的答案不夠確定時，不丟棄它、只做標記的機制。請求裡給一個
min_confidence閾值，低於它的答案會被標上low_confidence，而答案本身照常返回 —— 決定權留給呼叫方。門控狀態有三種：passed（過線）、abstained（低於閾值）、unevaluated（答案沒有可用的置信度，門控無從判斷）。沒有設閾值就一個狀態也不寫：「沒有這三個鍵」本身就是「這一輪沒開門」的報告，而不是第四種狀態。- local deployment本地部署
把開源決策模型跑在自己機器上的做法，Ollaya 是其中一套現成方案。要點：權重拉到本地磁碟、服務監聽在本機地址（如
127.0.0.1:11435）、沒有按量計費、資料不出自己的環境。它與模型是兩層：同一套部署可以裝多個模型，而準確率是模型的，不是部署方式的。