jev 是专用于结构化判断的轻量模型，支持 choice（多选项概率分类）、score（带刻度分布的连续打分）、noul（校准后的二元成立概率）三种原语，可并行混用，输出类型安全、不编造、低延迟。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Jev 不是来聊天的，它是来下判断的。你给它一段状态（比如用户消息、日志片段、API 响应），再明确告诉它“要问什么”，它就返回一个结构化、带概率、类型安全的答案——不绕弯，不编造，不输出多余字符。
Choice：从固定选项里挑一个，附带每个选项有多可能
适合做分类、路由、意图识别这类“非此即彼但需量化把握”的任务。你定义好所有合法选项（最多 255 个），Jev 就只在这范围内选，并告诉你每个选项的概率分布和整体置信度。
- 例如客服工单分流：输入一段用户投诉文本，问题设为“该归入哪类？”选项是 {退款, 技术故障, 账单疑问, 销售咨询}，Jev 返回 choice="技术故障"，probabilities=[0.02, 0.86, 0.08, 0.04]，confidence=0.91
- 关键点：选项必须提前声明；模型绝不会返回列表外的值；多个 Choice 可并行跑在同一次请求里
- 实操建议：选项命名尽量语义清晰、互斥；避免“其他”这种兜底项，除非真有不可预知的新类别需要人工兜底
Score：在你定好的刻度上打分，带分布说明“落在哪档”
不是简单给个整数，而是返回一个带小数的 score（比如 2.7）、描述每档含义的 legend（如 {1:"低", 2:"中低", 3:"中", 4:"高"}），以及各档的概率分布和置信度。它反映的是“倾向落在哪个区间+有多确定”。
- 例如评估客户情绪：设定量表 1–5，1=极度不满，5=非常满意；输入对话记录后，Jev 返回 score=1.4，legend={1:"愤怒",2:"不满",3:"中性",4:"满意",5:"惊喜"}，probabilities=[0.61, 0.35, 0.03, 0.01, 0.00]，confidence=0.88
- 关键点：score 是连续值，但解释需结合 legend；概率分布能看出模型是否“犹豫”（比如 [0.45, 0.43, ...] 就比 [0.82, 0.15, ...] 更不确定）
- 实操建议：量表不宜过长（5–10 档较常见）；档位描述用业务语言，别用模糊词如“一般”“尚可”
Noul：直接回答“这事是不是真的”，返回一个 0–1 的校准概率
本质是二元判断的增强版。它不只说“是”或“否”，而给出“成立概率”，且这个概率经过校准——0.85 真的就是约 85% 出现率，不是模型随便写的数字。
- 例如检测 prompt 注入：问题设为“该输入是否含恶意指令注入？”，Jev 返回 noul=0.93，confidence=0.89
- 关键点：Noul 输出只有一个浮点数（不是布尔值）；它不返回理由、不解释，只交出概率；常用于触发阈值动作（如 >0.8 就拦截，>0.95 就告警）
- 实操建议：问题表述必须是非黑即白的陈述句；避免含糊主语（如“用户可能想……”不如“用户明确要求删除账户”）
三种原语可以混用——一次请求里同时问“属于哪类？（Choice）”、“多紧急？（Score）”、“是否含敏感词？（Noul）”，共享同一段输入，响应时间几乎不增加。它不是替代大模型，而是把那些本该由代码逻辑完成的判断，交给更轻、更快、更稳的专用模型来执行。
