Jev：定位与机制
TypeSafe推出的新型“System One”分类模型Jev，灵感源自丹尼尔·卡尼曼《思考，快与慢》中的快速直觉思维概念。与大语言模型（LLM）这类“系统二”不同，Jev及其前身Laya属于“系统一”决策模型。
传统LLM基于Transformer架构，输出自由文本，难以直接处理分类任务中的类型确定性（如整数或浮点数）。Jev则在通用预训练Transformer后端附加分类器，无需针对特定任务微调即可利用新上下文，输出带概率分布的类型化决策。其运行成本极低，系列实验总花费不足4.00美元。
校准度测试：表现不佳
为检验Jev输出概率分布的准确性，测试选取了高斯、洛伦兹、麦克斯韦-玻尔兹曼等10种具有明确物理意义的分布。通过GPT-6 Astra和Claude Opus 5.5生成提示模板，在1000个设置中进行评估，以总变异距离（TV）评分，TV=0表示完美一致。
结果显示Jev校准效果糟糕。若完全回避答案并均匀分布概率，平均TV得分为0.546，而Jev得分为0.518。在均匀分布测试中，Jev得分高达0.77，远差于随机猜测的0.39。其主要故障模式表现为过度自信：倾向于生成过于尖锐的分布，并在尾部赋予非零权重，即便正确概率接近于零。
进一步分析发现，Jev往往直接复制提示词中给出的峰值参数，而非通过计算得出。对于峰值需衍生计算的分布（如麦克斯韦、瑞利），Jev仅在约20%的设置中找到正确峰值，且分布平坦。更甚者，在本应均匀的分布上，Jev竟输出了接近狄拉克函数的尖锐分布。
文献佐证与数学能力瓶颈
既有研究也指出Jev在均匀分布上的过度自信问题。Kanta Hayashi和Yu Xi Chau的测试显示，在面对公平骰子或硬币时，Jev会以极高概率（83%-93%）固执地选择单一结果，准确率仅为随机水平。Gu等人指出LLM普遍不擅长采样概率分布，而Baldelli等人发现微调虽可改善校准，但可能损害算术推理等下游能力。
测试证实，Jev能准确识别适用的分布类型，但在生成具体概率时失败。分层数学测试表明，Jev在处理单步或简单运算时表现尚可，但在涉及多步算术（尤其是指数跟踪和单位换算组合）时迅速崩溃。这归因于Transformer架构缺乏思维链支架来保存中间结果，导致其在内部执行复杂多步计算时能力不足。
LLM辅助实验的陷阱
本次实验首次尝试由前沿模型（Opus 5.5和Astra 6）协助设计。它们在抽象层面表现优异，但在实现细节上存在严重缺陷：多数初始实验将答案隐含在提示词中，导致测试从“校准评估”异化为“复制能力测试”，虚假提升了校准数据。
这一现象揭示了当前前沿模型的普遍弱点：缺乏必要的自发元认知能力，无法反思实验设计是否偏离初衷。尽管AI辅助提升了效率，但人类专家的科学训练在识别此类致命逻辑错误方面仍不可或缺。