它替不掉宽的那一头：凡是需要 state 里没有的背景知识、要在不可比的东西之间权衡、或者必须给出一句解释的判断，都不行。这条线到底在哪儿，我们用自己的数据量了一遍，结论如下。
逐项对比
Jev 这一列是实测值；「大模型评委」一列描述的是这类做法的形态，不针对某一个具体模型。
| Jev | 大模型评委 | |
|---|---|---|
| 输出 | 带类型的答案，外加每个选项的概率（noul / choice / score） | 一段文字，或者它写出来、由你解析的 JSON |
| 时延 | 约 300 毫秒；多问的题搭同一次前向 | 几秒到几分钟，随提示词和回复一起涨 |
| 成本 | 输入每百万 token $0.042，输出免费 | 前沿模型的价钱，而且它写的每个 token 你也要付 |
| 校准 | 专门为校准训练出来的概率；0.5 是「分不清」，不是「中等」 | 它自己写下来的「置信度」——关于数字的文字，不是量出来的数 |
| 稳定性 | 同样的 state 和措辞，分布只在小范围内漂（实测 confidence 运行间漂 ±0.02–0.09） | 改措辞、换选项顺序、调 temperature 都会改结论；输出还得解析和兜底 |
| 擅长 | 窄的字面判断：意图路由、安全门、重排序、规则检查、「这段里有没有 X」 | 综合权衡、背景知识、把理由写出来、给出修法 |
| 不擅长 | 数数、算术、日期、多跳推理、「这些里哪个整体最好」 | 一旦按条调用，成本和时延就撑不住；也给不出能直接卡阈值的数 |
| 会生成吗 | 永远不会 | 它存在的意义就是生成 |
我们实测了什么
我们把 150 个 Jev 项目交给几位评委，各自选出最好的十个——这恰恰是 Jev 理论上不擅长的「综合选最好」。Jev 这一侧是按正确姿势搭的：每个项目单独一次请求，state 里只有文本；八道窄的存在性问题，criteria 对称并带 not_for；0.4–0.6 一律算无判定；再加一道互相看不见的交叉校验题；然后对前 20 名两两对决，正反两序各问一次。加权和排名全部在代码里完成。
位置偏差是真实存在的，要提前留预算：对决阶段 Jev 平均偏向第二张卡 −0.14，所以每一对都问了两遍。
- 与 Fable 前十的重合
- Jev5 / 10Claude Fable6–7 / 10
- 成本
- Jev$0.027Claude Fable≈ $0.95
- 耗时
- Jev30 秒Claude Fable105 秒
Jev 的 5/10 是与 Fable 前十的重合；6–7/10 是其他 Claude 模型与同一份榜单的重合。成本和耗时都是跑完 150 个项目一整轮的数。
Claude 家族彼此的重合是 6–7/10，Jev 停在 5，而且我们把技巧用足之后它也没再涨。分歧不在措辞，在知识：Jev 奖励那些在 README 里把实测数字和阈值写清楚的项目，Fable 奖励那些对生态有范式意义的项目——而后者文本里根本没写。所以：窄的、可字面化的选择归 Jev，它在那儿快 3–10 倍、便宜两个数量级；需要背景知识和综合权衡的选择不归它，再怎么改提示词也补不上。
| Jev | Claude Fable | |
|---|---|---|
| 与 Fable 前十的重合 | 5 / 10 | —（对 Opus 7/10、Sonnet 6/10、Haiku 6/10） |
| 成本 | 530 次调用 $0.027 | ≈ $0.95 |
| 耗时 | 30 秒，8 路并发 | 105 秒 |
| 只做初筛 | 150 个项目 $0.01、9 秒 | — |
什么时候用哪个
五个问题，按通常该关心的顺序排；答完就有结论。
这道题能不能照字面、只看眼前这段文本就答出来？
能就交给 Jev。「这条消息是不是在要求转账」是 Jev 的题，「这个设计好不好」不是。
你会不会问上几千几万次——每条数据、每次编辑、每个 agent 步骤都问一遍？
会就交给 Jev。单次决策的成本和时延就是全部理由，而且多挂一道暂时用不上的题几乎不花钱。
你要的是一个能卡阈值的数、一条可以弃权的无判定带、一道能调的门吗？
是就交给 Jev。大模型的「置信度」是文字，校准过的概率才是旋钮。
这道题需不需要 state 里没有的背景知识，或者要在不可比的东西之间做取舍？
需要就交给大模型评委。我们那个 5/10 就是从这儿来的。
有没有人要读那句「为什么」——评审意见、摘要、一份修改建议？
有就必须是大模型。Jev 给不出一句话，只给一个数。
两个一起用
便宜宽筛，贵的窄查。我们自己的数据支持这条路：只做初筛的那一遍，150 个项目 $0.01、9 秒；那就让 Jev 先砍掉八成，把前沿模型的钱花在活下来的那部分上。
让 Jev 去检查大模型写的题。jevbooks 每一次请求都在这么做：大模型先给你的问题起草题目，Jev 再把这些题目挨个打分——这道是不是一次问了两件事、是不是在问整体印象而不是事实、not_for 是不是漏了、有没有两道题彼此重叠——警告在你把它们复制走之前就出现。
规则编译一次，往后只执行。让贵模型离线把你写的规则编译成带类型的题目，之后每次检查只付 Jev 的钱：一次性的活按前沿价付，每次调用的活按每百万 token $0.042 付。