第 2 课 · 五个核心概念与术语人话对照

🎯 学完这一课，你将能够

• 轻松看懂 Jev 界面和控制台上频繁出现的英文术语，并能用大白话向同事复述
• 熟练掌握 Jev 的三大核心题型：Noul、Choice、Score
• 理解 confidence 的真正含义，避免将“置信度”误当成“业务绝对正确率”
• 牢记官方响应速度、上下文长度与极低单价的量级指标

术语人话对照表

在 Jev 的界面、文档和代码中，会反复跳出几个核心英文单词。不要被专业名词唬住，先看这张大白话对照表：

先把五个核心概念立住

1. 它是判定器，而不是文本生成器

使用 ChatGPT 等大模型时，通常是模型先吐出 200 字散文，工程师再写一堆正则表达式或 JSON Parser 把“退款”两个字抠出来。 Jev 完全倒过来：你先规定答案只能是哪些选项，模型只能在预定范围内勾选，并告诉你它有多大把握。 材料进去，带类型、带概率的决策出来。

2. 一次调用只有三块

一次标准的 Jev 调用，永远由三部分组成：

• State：现场材料（一段客服消息或结构化事实）；
• Questions：事先定义好的问题字典；
• Answers：模型严格按你命名的键名返回决策。代码直接读 key，永远不用写正则提取。

3. 三种题，就是全部题型

Jev 没有任何自由发挥空间，所有业务需求都可以拆解为这三类题型：

• Noul（是非题）：返回 0 到 1 之间代表“是”的概率（如：是否催单）；
• Choice（单选题）：列出一组选项，模型挑选其一，并给出所有选项的离散概率分布；
• Score（评分题）：提供有序排列的判定梯度，模型在标尺上打出分值（支持小数）。

4. Confidence 是集中程度，不是业务正确率

如果 Jev 返回 confidence 为 0.92，只表示模型的输出结果高度集中在某一个选项上，绝不代表在你的实际业务场景下有 92% 的免死保证。 官方所说的“Zero Hallucinations（零幻觉）”，指的是输出格式被严格锁定在预定义类型内，不会胡编乱造键值。真正的放行标准，必须由你用历史业务样本实测画线。

5. 英文更稳，中文能用但要测

Jev 模型目前主要接收文本输入（包括 Markdown、JSON 字符串）。图片、语音与视频必须先转写为文本。 模型支持中文语义理解，但对于行业黑话、口语缩写与特殊术语，建议上线前用真实历史样本进行对比测试。

官方量级与成本预期

• 响应延迟：端到端平均约 70 毫秒至 500 毫秒，远快于大模型首字渲染；
• 极低单价：输入每百万 Token 约 0.042 美元（即 10 亿 Token 仅需 42 美元）；
• 输出免费：按官方目前口径，判定结构化输出不单独计费；
• 上下文容量：单请求总上下文上限约 64k Token（建议 State 与最长题目合计控制在 32k 以内）。

✅ 自测一下

1. 【单选】一次完整的 Jev 调用，核心三件套分别是： A. Prompt, Context, Completion B. State, Questions, Answers C. Input, Embedding, Output 2. 【判断】Jev 输出的 confidence 为 0.95，意味着你可以放心地让系统在任何生产业务中直接全自动执行退款或删库操作。 3. 【单选】如果想判断客户对于故障反馈有多沮丧（从“冷静陈述”到“极度愤怒”），应该使用哪种题型？ A. Noul B. Choice C. Score

答案与解析

1. B。State（材料）+ Questions（试卷）= Answers（答案）。 2. 错。置信度高仅代表概率集中，高危操作（退款、删库）必须有人工或业务硬规则双重把关。 3. C。具有明确有序递进尺度的情境使用 Score 打分题最精准。

📌 一句话带走

State + Questions + Answers，三种题型就是 Jev 的全部世界。