得物技术实测 Jev 轻量决策层：三个测试场景降本提速
- 核心亮点：得物技术将 Jev 定位为 AI 工作流中的专用结构化决策层，面向答案范围明确的选择与判断任务，返回带概率的结构化结果，而不是生成自然语言。
- 用例打标：Python 脚本并发处理 300 条测试用例，标注 P1/P2/P3 与资损标签；Jev 方案耗时 5 秒、费用约 0.01 元，DeepSeek 方案耗时 4 分 5 秒、费用约 0.31 元，前者耗时约为后者的 1/49，费用约省 31 倍。
- UI 自动化：浏览器工具先收集可见控件与必要文本，再由 Jev 根据文本步骤从候选中选择下一步操作目标；登录测试中 Jev 方案耗时 7 秒、费用约 0.01 元，通用大模型方案耗时 90 秒、费用约 0.93 元，前者耗时约为后者的 1/13，费用约省 93 倍。
- 知识库召回精排：向量 Top-10 召回后，Jev 以
noul判断业务相关性、choice区分业务主题、score判断用例质量；脚本约 4 秒完成，最终采纳 6 条、待补全 1 条、剔除 3 条，Jev 总成本 $0.000336。 - 能力与边界：Jev 提供 Noul（0~1 概率）、Choice（最多 255 个选项）、Score（有序档位）三类判断能力，端到端延迟 70–500ms，输入 0.3 元/百万 token、输出免费；适合高频、边界明确的打标、路由、过滤、风险分级，不适合开放式生成、长程推理与复杂规划。
- 工程注意：文中置信度是单次输出分值，不等同于校准后的真实正确率，低置信结果需按阈值分流给人工或强模型复核；DeepSeek 方案将多条用例合并为 42 次请求，Jev 方案为 300 次单条请求，费用显示经过取整，比例仅供参照。
- 行业观察：这条实践给出的是一种 Agent 工作流分工方式——通用大模型负责分析、规划与生成，专用决策层承接高频且答案空间固定的判断，以更低延迟和调用成本驱动后续脚本分支。 🔗 得物技术原文