jev 只有一个正式稳定版本 jev-1.13.0，因其采用单版本强管控策略：不追求参数/架构迭代，而是通过 rlcd 持续优化概率校准一致性；版本号“13”代表第13次全量业务回测验证的校准发布，所有 jev-1.x 共享统一输入约束、输出结构与延迟分布。
☞☞☞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☜☜☜
目前 Jev 只有一个正式发布的稳定版本：jev-1.13.0。它不是“多版本并行演进”的模型系列，而是 TypeSafe 明确采用单版本强管控策略的决策模型。
为什么没有多个效果可比的版本？
这和它的设计哲学直接相关：
- Jev 不是靠堆参数、扩数据、换架构来提升“能力”，而是靠 RLCD（面向校准决策的强化学习）持续优化“判断诚实度”——即输出概率与真实发生率的一致性；
- 官方把每次重大校准升级都视为一次函数接口变更，而非“小步迭代”。版本号如 1.13.0 中的 “13” 表示第 13 次通过全量业务回测验证的校准发布，不是性能打分；
- 所有 jev-1.x 系列版本都共享同一套输入约束（64k token 文本输入、选项上限 255、仅支持 Choice/Score/Noul 三类问题），输出结构、延迟分布、概率校准误差范围也保持一致。
你实际能遇到的“版本差异”，只出现在两类场景里
1. 预发布测试版（如 jev-1.14-beta）
这类版本不会公开文档或上生产 API，仅限 TypeSafe 合作伙伴在沙箱中做定向验证。它们可能尝试新 reward shaping 或微调分布边界，但不保证向后兼容——比如某次 beta 版把 Noul 的置信度输出从 [0,1] 改为 logit 形式，就会导致下游解析失败。
2. 私有微调实例（如 jev-customerX-v2）
企业客户可基于 jev-1.13.0 基座，在自有标注数据上做轻量 domain adaptation（官方称“Decision Tuning”）。这种实例仍叫 jev-1.13.0，但会附加命名空间标识。效果差别体现在：对特定业务术语的理解更稳、在客户历史工单上的校准误差降低 5–12%，但泛化到新领域时可能略退化。
怎么选？看你的使用阶段
如果你刚接入 Jev：
- 直接用官方发布的 jev-1.13.0，这是唯一经过全链路压测、延迟稳定在百毫秒级、概率校准误差
- 别被“beta”“rc”“-pro”等后缀吸引——Jev 没有“高级版”或“加速版”，所有性能优势都来自架构本身，不是靠加硬件或改提示词；
- 若发现某次请求的 confidence 值异常集中（如全部 >0.98 或全部
如果你已有成熟流程并想进一步提效：
- 联系 TypeSafe 开启 Decision Tuning 服务，用你过去 3 个月的真实决策日志做轻量适配；
- 适配后仍走 jev-1.13.0 接口，只是响应头里多一个 X-Jev-Tuned: customerX-v2 标识；
- 上线前必须重跑你自己的阈值逻辑测试集（比如 p(urgent) > 0.1 是否仍能准确捕获 92% 以上需人工介入的 case）。
