只做判斷、不寫文字的 AI，換題不用重新訓練，答錯了仍要靠人發現
二十多年前，張Sir和團隊開始做內容分析、數據挖掘和輿情分析。研究員先寫好一本編碼簿（codebook，列明每個類目怎樣定義、怎樣判斷的手冊），編碼員對着一疊疊新聞，逐篇回答同一組問題：這篇報道講哪個議題，對涉及的某政府部門是正面、中立還是負面，要不要列入當日重點。答案早就列好，只能選，不能自由發揮。
後來數據多了，人手追不上，便改用機器學習。意圖分類、風險評分、情感分析，做法大同小異。先人工標註幾千條樣本，訓練一個模型，數據丟進去，分個類、打個分數、算個機率，把握大的自動處理，把握小的由人複核。這類分類器在大語言模型出現之前已經遍地都是，在自家服務器上就能跑，毋須上雲。
所以最近看到 Jev 在開發者圈子突然走紅，張Sir第一個反應是有點疑惑，這個概念不是很久以前就有了嗎？近幾年 AI 行業的技術和營銷越來越難分開看，一樣東西走紅，未必等於它是新東西。細看下去，Jev 的做法又確實有幾處跟過去不同。
一個只負責判斷的模型
Jev 是 TypeSafe AI 在2026年9月推出的模型，創辦人 Diogo Almeida 曾在 OpenAI 參與 ChatGPT 背後的研究。官方稱它為 System One Model，名字借自心理學家 Kahneman 對快思考與慢思考的區分。大家熟悉的 GPT、Claude、Gemini 、Deepseek和Kimi等，主要負責生成內容，Jev 不寫文字，只做判斷。一封客服電郵進來，系統要知道的往往只是一個標籤，例如「帳單問題，96%」，然後把信轉給帳務部。Jev 回傳的就是這種東西。
它有三種問法：從幾個選項中選一個，按標準打分，或者判斷一句話成立的機率。每個答案都附一個機率，程序照着決定下一步。有開發者把它形容為一個懂自然語言的 if/switch，也就是程序裡按條件分岔的那幾行語句。官方公佈的速度是每次70至500毫秒，價錢是每百萬輸入 token（模型計算文字量的單位）0.042美元，輸出不收費。
以前難在哪，現在不同在哪
以前做分類，一個任務一個模型。客戶意見分主題、客服信件分流、網上內容審核，這三類張Sir團隊都做了很多年，最花時間的往往不是訓練，是類目一改就要重來。客戶要把一個類目拆細，新議題冒起要加類目，舊類目用久了要合併，這類調整經手過的多不勝數，每一次都要重新標註一批樣本、重新訓練。網上出現一種新的詐騙說法，審核模型也要等新樣本收夠才認得出。
Jev 的做法是在調用時才寫題目和選項。同一個模型，今天用來分客戶意見，明天用來判斷一條帖文是否涉及詐騙，改幾行文字便可以，這一點最值得看。不過這個做法並非 Jev 首創。2019年前後已有零樣本分類（zero-shot classification，不用預先標註、調用時才告訴模型有哪些類別），大語言模型面世後，用提示詞叫它分類更是常見。
以往的零樣本分類模型快而便宜，理解力有限；換成大語言模型，理解力上去了，速度和價錢又成了問題。Jev 想做的，是讓一個專用模型同時具備自然語言理解、低延遲、機率輸出和低價格。它的理解力和機率是否真的較可靠，目前主要只有官方評測，還要等獨立測試。
Jev 引起開發者注意，也跟 AI 系統的用法在變有關。大語言模型出現後，大家一度習慣甚麼都丟給大模型；現在開始有人回頭想，單純的分類、判斷和路由（決定任務由誰處理），也許可以交給更專門、成本更低的模型。AI Agent（能自行分步完成任務的 AI）的流程裡，充滿這類小判斷：下一步用哪個工具，這個結果要不要再查，任務該由哪個模型處理。每一個都叫通用大模型來判斷，往往較慢，也較貴。比較合理的分工，是由 Jev 做分類和判斷，理解、推理和寫作仍由大模型負責，動作則由程序執行。
有了機率，分工便有依據。機率高的自動執行，中等的再由大模型判斷，低的轉人工處理。以前團隊也按機率分流，只是在一個模型內部分；現在分流的對象，變成了不同的模型和人。
開源項目 fast-jev-compaction 示範了另一種用法。它讓 Jev 替寫代碼的 AI 助手清理記憶，逐條判斷舊的工具調用和結果還要不要，過時的刪走或截短，留下的一字不改。以往這一步多數由大模型寫摘要，容易漏掉檔案路徑、錯誤訊息這類細節。Jev 不用寫，只判斷甚麼該留、甚麼可以忘。這也帶出一個問題：AI 每一次真的都需要生成文字嗎？
優點和要留神的地方
Jev 快、便宜、輸出格式固定，機率可以直接用來設定自動化的門檻，前提是門檻先用自己的數據驗證過。它的限制同樣要看清楚。Jev 不寫文章、不作解釋，答案範圍要預先定好，題目寫得含糊，結果也會含糊。官方把「不會幻覺」界定為不會產生預設選項以外的答案；答案落在選項之內，選錯仍然可能。做輿情的人都知道，把一條負面帖判成中立，比格式出錯麻煩得多，因為表面上看不出問題。
官方公佈的數字也要打個折扣，首頁那句「快193.6倍、省444.6倍」出自自家設計的測試，官方也承認屬偏高一端；答對與否，是跟兩個大模型的平均答案比，並非由專家核定。完整的模型架構、參數規模、訓練細節和可重現的論文，至今都未公開。繁體中文、粵語和中英夾雜的表現，截至截稿，也未見公開評測。
這幾年 AI 新名詞太多，一個東西剛出來就被捧成未來，過一陣子大家又集體遺忘。所以張Sir現在習慣先等一下，看它解決了哪些以前很難解決的問題，還是把以前就有的東西，用新一代 AI 的方式重做一次。以目前公開的資料，下結論還太早。
檢驗這類模型，可以借用內容分析的老方法
在獨立評測出來之前，機構可以先自己測。換題變得容易，題目出得好不好就更要緊，類目要互斥、要窮盡、邊界要清楚，這是編碼簿的基本功。判斷準不準，要拿人工編碼作標準答案。兩位受過訓練的編碼員先各自判斷同一批樣本，計算彼此的一致程度（業內稱為編碼員間信度）；達到要求後，分歧的個案再經討論或由第三人裁決，得出一套人工確認的標準答案（業內稱為金標準），最後拿模型的答案來比較。近日有人拿 Jev 跟大模型分揀同一批新聞，兩邊結果九成四一致，便說 Jev 好用；可是兩邊都沒有跟人工答案核對過，一致不等於正確。
學術界和市場使用內容分析這套方法已有幾十年，工具也現成。有興趣的讀者可參考DiVoMiner 平台，它同時支援人工編碼、AI 編碼和信度測試，不少知名高校的師生都在用。在 Google Scholar 上，可以檢索到不少以它做內容分析的論文，當中不乏 SSCI（社會科學引文索引）期刊。
例如 Chang 等人（2021）比較了內地、香港和台灣十年間三萬多篇中文新聞；Law 等人（2025）收集香港親子論壇 Baby-Kingdom 上一萬七千多條有關中醫的留言，按八個主題的編碼簿，在平台上做情感和語義網絡分析；Zhang 等人（2023）分析網上醫患對話，兩位編碼員在平台上獨立編碼一百段樣本，信度係數達0.86（1代表完全一致）。
同樣的方法也可以核對模型給出的機率。模型說有九成把握的那批答案，實際答對多少，要用本地樣本算過才知道，廠商的整體數字不能直接沿用；類目一改，又要重算一次。繁中、粵語和中英夾雜的本地語料，正是 Jev 還沒有公開評測的部分，用在本地場景之前，這一步省不得。哪些數據可以送出機構做測試，也要先按敏感程度分清楚。
本地知識有多重要，團隊做過一次內部實驗，張Sir在〈當 AI 從個人助手走進企業工作〉介紹過。同一組15宗政務寫作任務，改良版的平均質量分由62.9升至77.5，並由實際用戶並排比較兩個版本。改善主要來自清楚的任務要求、本地知識和人工反饋，單靠換模型做不出來。那次測的是寫作，判斷類的任務，相信道理也相通。
類目用久了也會過期，公司部門改名、新議題冒起，編碼簿和測試樣本都要有人定期更新；模型換了新版本，舊的門檻也要重測。〈政府公文 AI 的第 90 天〉一文談的正是這件事。
Jev 值得一試，試的時候拿自己的數據，挑幾道常見的判斷題，跟人工的答案對一次，心裡便有數。
參考資料
張Sir（2026年8月21日）。當 AI 從個人助手走進企業工作。張Sir的AI養生館。https://www.anguscheong.net/2026/08/21/ai-agent-enterprise-work/
張Sir（2026年9月2日）。政府公文 AI 的第 90 天。張Sir的AI養生館。https://www.anguscheong.net/2026/09/02/government-document-ai-day-90/
Almeida, D. (2026, September 15). Introducing System One models & Jev. TypeSafe AI. https://typesafe.ai/blog/introducing-system-one-models-and-jev
Chang, A., Schulz, P. J., Jiao, W., & Liu, M. T. (2021). Obesity-related communication in digital Chinese news from Mainland China, Hong Kong, and Taiwan: Automated content analysis. JMIR Public Health and Surveillance, 7(11), e26660. https://doi.org/10.2196/26660
Law, M., Ho, K. H., & Cui, X. (2025). Exploring Hong Kong public attitudes and concerns about traditional Chinese medical treatments: A study on discussion forum responses. International Journal of Pharmaceutical and Healthcare Marketing, 19(3). https://doi.org/10.1108/IJPHM-05-2024-0039
Tran, T. (2026). fast-jev-compaction [Computer software]. GitHub. https://github.com/tamaratran/fast-jev-compaction
Zhang, W., Zhou, F., & Fei, Y. (2023). Repetitions in online doctor–patient communication: Frequency, functions, and reasons. Patient Education and Counseling, 107, 107565. https://doi.org/10.1016/j.pec.2022.11.007
本文經「張Sir的AI養生館」授權
［原文出處：https://www.anguscheong.net/2026/09/23/jev-system-one-ai-decision-model/］
繁體中文
简体中文
English
Português