我用六组实验测了 TypeSafe Jev：它到底能干什么，不能干什么

9 月 16 日 TypeSafe 发布了 Jev。它和我们熟悉的大模型很不一样：不写段落，不做长推理，只回答封闭问题。你给它一段状态（state），再给几个带类型的问题（是/否、多选一、打分），它一次前向就把每个问题的概率分布返回来。

官方示例是客服工单："这条消息紧急吗？该转给哪个团队？客户有多生气？" 一次调用三个答案，每个都带概率，花费不到一分钱的千分之二。

看完发布会，我脑子里只有一个问题：这东西在真实数据上到底有没有用？ 于是我做了六组实验，其中五组整理成了开源仓库，所有数据、代码、评测集都公开。这篇是总结。

先说结论，三句话：

Jev 能用的前提是：信号在语义里，不在你的数据统计里。 列名有意义的表格它能做到 0.83 AUC，哈希 ID 组成的 CTR 数据它只有 0.46（比瞎猜还差）。
零样本时，它抵得上几百条标注。 在两个完全不同的冷启动问题上，一个训练好的文本模型要 150 到 500 条标注才追得上 Jev 的零样本判断。
有了标注，它最好的位置是当特征，不是当模型。 五个项目里，Jev 单独使用从来没有稳定地赢过强基线；但把它的答案加进基线模型，每一次都是显著提升。

下面一个一个说。

实验 0：开场三问

正式项目之前，我先用三个小实验摸它的边界。

Avazu 广告点击率。 2,000 条带标签的广告曝光，特征全是 site_id=1fbe01fe 这种哈希值。Jev 的 AUC 是 0.46，校准时最优斜率是 0，等于"把模型扔掉"。这不意外：一个站点的历史点击率只存在于你的日志里，世界上没有任何语料能告诉模型它是多少。

泰坦尼克号生还。 同样是表格、同样是二分类，但列名是性别、舱位、年龄。Jev 零样本 AUC 0.830，训练好的逻辑回归是 0.843。把 Jev 的概率作为一个特征加进逻辑回归，变成 0.854，比两者单独都高。Jev 错的方式很有规律：方向全对，幅度往中间收。头等舱女性真实生还率 0.97，它给 0.79。它知道"妇孺优先"，但不知道这份数据里这条规律有多极端。

安全扫描器二审。 我的 skills 收录站有一个正则安全扫描器，误报很多。我让 Jev 给命中的片段做二审，同时试了两种问法：

问"这段文字危险吗？"（是/否）：AUC 0.70
问"这段文字是什么？"（恶意指令 / 官方安装器 / 文档引用 / 否定句 / 占位符……）：AUC 0.94

同一份证据，只是换了问法，差了 0.24。判断题会被模型的谨慎先验拉平到 0.3 到 0.6 之间；分类题让它把"官方安装器"和"恶意指令"分得很开。之前人工核实过的 19 个误报仓库，它 19 个全判对。

三个小实验定下了后面所有项目的判据：问它常识能回答的问题，别问你的数据才知道的问题。

实验 1：搜索重排（D）

仓库：jev-search-rerank-eval

我的 skills 收录站有个命令行工具 ash，搜索用的是手写的关键词打分。问题：Jev 重排能不能赢过 embedding？

我用 164 条真实查询（中文、英文、中英混合），把四个检索器的 top-30 结果合并成 9,831 个"查询—结果"对，请两个独立评审打 0 到 3 分的相关性：一个是 Jev，一个是 Claude Haiku 4.5。两者一致性 κ=0.71。30 条分歧最大的我人工裁决。

系统	NDCG@10
embedding 与 Jev 融合（RRF）	0.864
Jev 重排 embedding 的 top-30	0.785
bge-m3 embedding	0.774
OpenAI text-embedding-3-small	0.759
`ash` 线上关键词排序	0.609

乍看 Jev 重排（0.785）比 embedding（0.774）高一点。但这里有个陷阱：Jev 既是评审又是选手。 我把所有系统分别用三套标签重算了一遍：

Jev 重排 − bge-m3	差值
只用 Jev 自己的标签	+0.053
用合并后的标签	+0.012（不显著）
只用 Haiku 的标签	−0.028（显著为负）

换成和 Jev 无关的评审，它单独重排反而输。评审循环偏差是真的，而且能量化出来。

但融合后的系统在三套标签下都显著赢 embedding（+0.064 到 +0.090）。这是第一次看到后面会反复出现的规律：Jev 单独用不赢，当第二个信号用就赢。

顺带发现 ash 真正的病不是排序而是召回：用 embedding 去重排 ash 自己的 top-30，结果反而更差，因为相关的结果根本不在列表里。

实验 2：新 skill 的冷启动先验（A2）

仓库：jev-cold-start-prior

一个新仓库刚被收录，还没有任何 star 数据。Jev 读它的 README，能不能预测它之后会不会火？

我本想回溯：重建每个仓库入库那天的 star 数和 14 天后的 star 数。做到一半发现 GitHub 的 stargazers 接口已经对所有仓库返回 404（连 octocat/Hello-World 都是），第三方的 star 历史服务也自己标注了"2026 年 5 月起严重降级"。历史 star 已经无法重建。

所以只能做代理实验：1,132 个真正的新仓库，目标是"今天的 star 数，按仓库年龄校正"。

Jev 零样本问"两周内会涨多少星"：相关系数 0.435
用约 900 条标注训练的 README 文本模型：0.524
文本模型加上 Jev 的答案：0.559，显著提升
学习曲线：文本模型要 100 到 200 条标注才追得上 Jev 零样本

两个有意思的细节：README 里有没有 demo 截图是第二强的信号（0.324）；"是否基于当前热门工具（Claude Code、MCP……）"反而是负相关。因为 95% 的新仓库都在蹭这波，蹭热点是常态，不是区分点。

回溯实验缺了最关键的基线"入库时的 star 数"，所以我在收录站的同步流程里加了一个前瞻实验：每个新仓库入库时记下 Jev 先验和当时的 star 数，14 天后对答案。第一批 10 月 2 日出结果。

实验 3：新闻冷启动（A1）

仓库：jev-news-cold-start

A2 的结论会不会只是 GitHub 这个小圈子的特例？我换了一个完全不同的领域：微软的 MIND 新闻推荐日志，2019 年 MSN 新闻 6 天的曝光记录，3,448 篇文章。按时间切分，前 3 天训练，后 3 天测试。

预测方式	需要标注	相关系数
文本模型 + 类目 + Jev	1,937 条	0.310
文本模型 + 类目	1,937 条	0.241
Jev 问"这篇情绪化吗"	0	0.210
Jev 问"读者会点吗"	0	0.154
类目平均点击率	1,937 条	0.078

结论和 A2 一致：零样本的 Jev 抵得上约 500 条标注；加进模型显著提升（+0.069）。更直观的是：50 条标注加 Jev，约等于不加 Jev 的 800 条标注。

我还做了一个冷启动推荐的模拟：每天的新文章是一堆"老虎机"，用 Thompson sampling 分配曝光。先验里加入 Jev 的答案后，同样的曝光量多拿 25% 的点击，比完全没有先验多 73%。

这组实验有一个和 A2 不同的发现：描述题比预测题准。直接问"读者会点吗"（0.154）不如问"这篇情绪化吗"（0.210）。这和扫描器实验一模一样：问它"这是什么"，往往比让它直接做判断更好。但在 A2 里，直接预测题反而最强。所以我的建议是两种问法都试，在你自己的数据上比。

另外两个反直觉的点："内容实用"和"受众面广"的文章，点击反而更少。

实验 4：GitHub issue 流能否提前发现坏版本（C2）

仓库：jev-issue-pulse

前三个都是"排序/预测"，后两个换成"监控/预警"：把一段文本流交给 Jev 逐条分类，再汇总成时间序列，看能不能比人更早发现问题。

我抓了 claude-code 和 codex 两个仓库近 60 天的 25,052 个 issue，Jev 逐条判断类型（回归 / bug / 功能请求……）、沮丧程度、是否被卡住。总花费 $0.44。

"坏版本"的真值用维护者自己的原话：后续 release note 里写"regression in 2.1.269"或"Reverted a 2.1.268 change"的版本就算坏。claude-code 的 42 个版本里有 7 个。

发布级结果：阴性。 所有信号（issue 数量、关键词、情绪、Jev）都区分不了好坏版本，7 个坏版本里一个都没能在修复发布前抓到。原因很简单：claude-code 几乎每天发版，坏版本的修复中位只要 25 小时，维护者比任何汇总曲线都快。

单条分诊：Jev 明显更好。

对照仓库自己的标签	关键词	Jev	情绪分析
claude-code `regression`	0.765	0.898	0.432
codex `bug`	0.642	0.965	0.331

需要说明：这两个仓库约 75% 的标签是自动化机器人打的，所以这里测的是"Jev 和另一个模型的一致程度"，不是和人的一致程度。情绪分析比随机还差，因为报 bug 的人通常写得很冷静。

实验 5：客服推文能否早于官方承认故障（C1）

仓库：jev-support-pulse

C2 的阴性结果会不会只是因为 claude-code 修得太快？我换了一个组织反应慢得多的场景：Kaggle 上 2017 年的客服推文数据，7 个品牌客服号收到的 17 万条客户推文。Jev 逐条判断"是不是服务挂了""是不是很多人都遇到了"，总花费 $1.84。

真值同样用当事方自己的话：品牌客服回复"your area has an outage""this is a known issue"的时刻。这里踩了一个坑：我第一版的匹配规则很宽，人工读了 40 条样本，准确率只有 22%，大部分是"sorry for the service issues, please DM us"这种客服套话。收紧后重新读，准确率 92.5%。最终得到 62 个事故，其中包括 2017 年 11 月 6 日 Comcast 全美断网，说明这个定义抓到的是真事件。

按小时区分"事故前"和"平常"：所有信号都差不多（约 0.6），Jev 没有更好。

但作为预警（误报率控制在每周 1.76 次）：

信号	抓到的事故（共 62）	比官方承认平均提前
Jev "服务挂了 × 影响面大"	17	4.1 小时
关键词	12	1.7 小时
推文数量	10	2.4 小时
情绪分析	9	1.7 小时

在三种阈值下，Jev 抓到的事故都比推文数量多，其中一个阈值下统计显著。原因是客服号本来就会因为各种事（游戏上线、账单调整、球赛）变忙，只看数量会被淹没；Jev 把"服务真的挂了"的推文筛出来，背景噪声就小了。

但对比一份认真写的关键词表，Jev 的优势始终不显著。报故障的推文用词很集中（down、no internet、anyone else?），关键词已经能抓住大部分。这里我比较了 6 个信号 × 3 个阈值，单个显著结果要打折看。

C2 和 C1 合起来是一个清楚的结论：汇总预警有没有用，取决于组织和客户谁更快。 修得比投诉累积还快，什么信号都没用；组织滞后于客户，Jev 筛过的信号能提前几个小时。

六组实验合起来

项目	Jev 单独用	Jev 当特征 / 当筛选器
泰坦尼克	0.830，接近训练模型	0.854，超过两者
D 搜索重排	和 embedding 持平（中立评审下略输）	融合后 +0.06 到 +0.09
A2 skill 冷启动	相当于 150 条标注	+0.035，显著
A1 新闻冷启动	相当于 500 条标注	+0.069，推荐多拿 25% 点击
C2 GitHub issue	发布级预警无效	逐条分诊 0.90 / 0.97
C1 客服推文	按小时排序无效	预警多抓 70% 事故

一共做了约 21 万次判断，Jev 本身的花费不到 3 美元。

我总结的六条规律

1. 信号在语义里才有用。 泰坦尼克能做，Avazu 不能做，差别不在任务形式，在于答案能不能从常识推出来。用之前先问自己：一个懂行的人，不看你的历史数据，凭这段文字能猜个大概吗？

2. 零样本的它抵得上几百条标注。 两个领域、两个任务，都是 150 到 500 条。这就是冷启动场景的价值：新业务线、新类目、没有历史数据的第一天。

3. 有了标注，它最好的位置是当特征。 五个项目五次显著提升，一次都没有例外。它带来的是训练数据里没有的世界知识，你的模型带来的是你这份数据里规律的实际幅度。两者互补。

4. 问法本身是超参数。 "这是什么"和"会怎样"两种问法都要试。扫描器和新闻里描述题赢，skill 冷启动里预测题赢。criteria 的措辞也是 prompt，每改一次都要在带标签的样本上重跑。好在很便宜：几千条样本几美分。

5. 汇总预警看时间尺度。 逐条分诊它都很强；要把逐条判断汇总成预警，前提是问题暴露得比组织反应慢。

6. 情绪分析在这类场景没用。 C2 和 C1 两次都低于随机或接近随机。报故障的人不一定"生气"，生气的人也大多不是在报故障。

评测上的几个教训

这六组实验里，我踩过的坑比结论本身更值得记：

评审和选手不能是同一个模型。 如果只用 Jev 自己打的标签，搜索重排的结论会完全反过来。至少要有一个无关的第二评审，再看结论在各套标签下是否一致。
真值的精度要亲手读。 客服推文那条匹配规则，不读样本的话我会拿着 22% 准确率的"真值"得出一堆结论。
机器人打的标签不是人工真值。 GitHub 大仓库的 bug/regression 标签大部分是自动化分诊打的。
看到结果后才加的指标要标明。 C2 里我补了一个"按版本比例"的信号，效果略好但仍不显著。它可以报告，但不能拿来替换原计划的结论。
钉死模型版本。 ~jev-latest 会漂，所有结果都记录了实际解析到的版本 typesafe/jev-1.13-20260917。
数据会消失。 GitHub 的 stargazers 接口、MIND 的官方下载，都在这周之内被我撞上不可用。能前瞻记录的，别指望以后回溯。

什么时候该用 Jev

该用： 没有标注的冷启动；逐条分诊、路由、审核；给已有模型加一个"世界知识"特征；便宜的第二评审或二审。
不该用： 信号在你的行为日志里（点击、转化、出价）；需要计数、日期比较这类精确计算；需要生成内容或长推理；需要跨多步记忆和规划。

五个仓库都是 MIT 开源，数据和评测集能公开的都公开了：

jev-search-rerank-eval：搜索重排，带评审循环对照
jev-cold-start-prior：skill 冷启动先验（前瞻部分 10 月 2 日更新）
jev-news-cold-start：MIND 新闻冷启动 + bandit 模拟
jev-issue-pulse：GitHub issue 流与坏版本（阴性结果）
jev-support-pulse：客服推文与故障预警

本文与 TypeSafe 无任何关联，所有实验自费完成。