当模型不再“写答案”:决策层正在成为一个独立品类

AI 不再‘说话‘,只做‘决定‘:Cloudflare Clef 与 AWS Decider,如何用半个月把‘决策模型‘变成了一个新品类 最近半年,AI 行业的叙事几乎被"算力"与"模型"两个词霸占:谁家的 GPU 多、谁的模型在基准榜上拿第一、谁的推理成本压到了几分钱。但当你把镜头从实验室拉远,落到一家实体银行、一家制药巨头、一家咨询公司真实的生产系统里时,会发现一个被严重低估的卡点——把 AI 从"演示"变成"生产可用",需要的人,几乎找不到。 阅读详情

你的 Agent 一天要做几百个小决定:这封邮件拦不拦、这个请求分给哪个模型、这段输出打几分。以前这些活儿都得丢给生成式大模型,让它先“想一想”、写几行小作文,再从里面抠出一个字。

11 月 11 日,谷歌把这个环节单独做成了一个模型:Gemini Decision 1,配套的 Decisions API 已在 AI Studio 开放。

它和聊天模型不是一回事。Decision 1 不逐字生成答案,而是在一次前向计算中对预先设定好的候选选项直接打分——是/否判断、最多 255 个选项的选择题、按评分标准打分。一次请求可以塞进最多 25.6 万 Token 的多模态输入(文本、图片、音频、视频、PDF),附带最多 1000 道相互独立的问题,端到端时延官方标称 150 到 250 毫秒。

三家挤进同一个品类,价格一字不差

真正值得盯的是价格。

Gemini Decision 1:输入 $0.10/百万 Token,输出不另计费,大约是 Flash-Lite 的五分之一。

这个数字并不陌生。10 月初 OpenAI 的 Decisions API 公测,判断任务定价同样是输入 $0.10**/百万、输出免费。更早开源的 TypeSafe Jev 一系,输入价压到 **$0.042/百万,输出同样免费。

一个月之内,这个品类挤进来三家,两家大厂的输入价几乎一字不差。生成式模型的价格战打了两年,现在轮到判断层——而且开局就把地板焊死了。

性能:校准误差比准确率更值得看

InfoQ 的报道显示,Gemini Decision 1 在 9 项基准测试中拿下 7 项第一,JevBench 公开集准确率 92.2%,Amazon ESCI 商品搜索 Macro-F1 为 58.7%,New Yorker Caption 题注评选得分 79.7%。

但在判断类任务中,比准确率更关键的是校准误差。Gemini Decision 1 的 Top-1 ECE 为 0.0250,Jev 1.14 为 0.0494,GPT-6 Luna 为 0.0721,Gemini 3.5 Flash-Lite 为 0.2104。

校准误差越低,模型给出的置信度分数越接近真实准确率。这意味着在需要设定阈值、排序或自动放行的场景里,你可以更放心地相信它说“有 82% 把握”,而不是把它当成一个随机数。

为什么大厂抢着做这件事

Agent 跑起来之后,请求里的大头不是写文章,是做判断:路由、审核、打分、选工具。这些活儿以前按生成计费,为“是”或“否”两个字付掉几千 Token 的输出。

判断被拆成独立端点后,成本结构完全变了:不再为废话付费,只为喂进去的内容买单。

Gemini Decision 1 已经集成进 Gemini Notebook,对日常查询的延迟降低了最多 40%——当需要对多个候选结果批量评分时,单次推理替代了多次独立调用。同样的逻辑也会传导到 Agent 编排上:一个任务里几十次“选哪个工具、要不要继续、这个结果合不合格”的判断,如果每次都能在 200 毫秒内一次批量返回,整条链路的挂钟时间和账单会同时下降。

但决策端点不是万能解

官方时延是官方口径,自己的任务先实测。有依赖关系的判断拆不成一次请求,还是得多轮走。高置信度的可以自动执行,拿不准的照旧交给人或生成模型兜底。日常写代码、写文档,该用生成模型还用生成模型——Decision 1 不是替代品,是分流器。

当“判断”和“生成”分开跑,调用层需要跟得上

对独立开发者来说,真正可以动手的一件事是:把 Agent 循环里的判断环节拆出来,挂到决策端点上。账单的计量单位会从“按字数”变成“按决定”。

但拆开之后,调用层会多出一类端点:生成模型、决策模型、缓存、批量接口,各自的计费单位和路由规则都不一样。哪个任务该走哪条接口、决策调用占总成本的比例是多少、某次异常消耗是生成侧还是判断侧产生的——这些问题靠人脑记不住。

EasyAPI 这类聚合入口能帮上的是这一层:一个 Key 接入生成模型和决策端点,按任务类型分配路由,用量和费用按接口类型归集。判断走了多少次、生成了多少 Token、决策端点省下来的那部分钱有没有真正落到账单上,明细里能对出来。模型在按“判断”和“生成”分家,你的调用层需要能分得清。

数据来源: Google AI Studio 及 Gemini Decisions API 文档(2026 年 11 月 11 日);InfoQ《Google 发布 Gemini Decisions API》(2026 年 11 月 12 日);36氪《OpenAI 宣布全面开放决策 API》(2026 年 10 月 23 日);TypeSafe Jev 官方定价及 GitHub 文档(2026 年 9 月);IT之家、搜狐、品玩等媒体对 Gemini Decision 1 的报道(2026 年 11 月 12 日)。

OpenAI广告系统架构解析:如何在ChatGPT中植入决策层广告 本文从技术视角剖析OpenAI广告系统的设计理念与工程挑战。基于戛纳国际创意节披露的信息,分析其如何以'决策层'为核心构建广告系统,兼顾用户意图、隐私保护与体验独立性。讨论广告推荐引擎、上下文匹配、隐私隔离等关键技术的实现思路,以及与其他AI平台广告方案的对比。适合关注AI商业化与广告系统开发的工程师阅读。 阅读详情

相关推荐

当 CompletableFuture 遇到 AI:如何并行调用 5 个大模型并“投票”选出最佳答案?

我们在使用大模型(LLM)开发应用时,最头疼的问题就是**“幻觉”**。当你问:“鲁迅和周树人是什么关系?GPT-4 说:“是同一个人。某个国产小模型说:“鲁迅是周树人的哥哥。另一个模型说:“鲁迅是周树人的邻居。如果你只依赖一个模型,你的应用可能随时会“翻车”。在金融、医疗或法律咨询等严谨场景下,我们不能把赌注押在一个模型上。我们需要一个**“专家评审团”**。

BUG猿的博客 586

深度 | 把「判断」压成一个字段:Jev 的 75 亿美元与「决策模型」品类的诞生

深度 | 把「判断」压成一个字段:Jev 的 75 亿美元与「决策模型」品类的诞生2026 年 10 月 9 日,一家只有 20 多人的公司宣布完成 8.7 亿美元融资,估值 75 亿美元。领投的是 a16z,跟投的是红杉和 DCVC,a16z 的合伙人 Martin Casado 进入董事会。此时距离这家公司从 stealth 状态脱出、以约 2 亿美元估值拿到 4000 万美元种子轮,只过去了 24 天,估值翻了 37 倍。据 TechCrunch、SiliconANGLE 等多家媒体交叉报道。

summerliyang的博客 383

从零到一:桌面宠物的硬件架构设计与工程实践

本文详细介绍了基于STM32F103C8T6主控平台的桌面宠物机器人硬件架构设计与工程实践。内容涵盖电源管理、舵机控制、PCB布局及系统调试等核心环节,为硬件爱好者提供从零到一的完整开发指南,助力打造稳定可靠的智能桌面伴侣。

alice7model的博客 1114

Agent独立决策层:从Jev爆火看Agent架构演进

随着AI Agent从Demo走向生产环境,传统的“提示词堆叠+工具调用”模式正暴露出决策不可审计、任务不可断点续跑、成本不可控等系统性难题。工程化Agent开发的核心,已从编写Prompt转向设计可靠的决策系统——即在模型与执行工具之间引入一个独立、可编程、可观测的Decision Layer(决策层)。这一层负责状态感知、意图拆解、策略选择与安全边界管控,让Agent的每一步行动都可验证、可回放、可收敛。Jev的爆火正是这一架构转折点的缩影,它通过本地部署与结构化决策输出,为开发者提供了一个工程化的落地

weixin_29061425的博客 212

AUTOSAR FEE 换页机制深度解析:从原理到实现逻辑

​​没有磨损均衡的EEPROM模拟,如同在沙地上建造城堡​​ ——AUTOSAR存储系统设计箴言

汽车电子软件领域知识分享 1342

12、控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示

控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示1、用到的控件2、添加控件2.1、添加【文本录入】控件2.1、添加【文本显示】控件2.1、添加【QR 二维码】控件3、保存工程及生成文件4、下载文件 1、用到的控件   需要用的显示控件为【文本显示】控件和【QR二维码】控件,以及触控控件【文本录入】控件。 2、添加控件 2.1、添加【文本录入】控件   【文本录入】控件也叫【ASCI 文本录入】,是用来录入ASCI 字符,打开 DGUS 软件,点击【触控控件】—【文本录入】,用鼠标框选一个区域,即可在右

嵌入式羊圈 630

大模型不再只是搜索引擎:多模型协同时代的生存法则

大模型正从对话工具转向多模型协同的推理决策层,开源模型已占全球1/3推理量。真实数据分析显示:15-70B中等规模模型成为主流"甜点位";编程任务占比超50%,开源模型主要用于角色扮演和编程;推理模型承担超50%流量,工具调用和长上下文成趋势。中国开源模型在技术领域表现突出,占全球13%份额。价格并非决定因素,关键在于找到高价值任务的"玻璃鞋时刻"。产业应用正深入研发、运营等核心生产环节,模型竞争呈现多极化态势。

Trb701012的博客 1259

《基于FPGA的数字信号处理》专栏的导航与说明

《基于FPGA的数字信号处理》专栏的导航与说明

孤独的单刀 4165

Agent循环里那些只做判断的昂贵调用,该如何交给独立决策层

在真实Agent流水线里,最容易被忽略的成本黑洞不是生成长文,而是那些反复出现的“选谁”“评多少分”“要不要继续”的判断。一个完整任务往往要触发十几次LLM调用。其中不少只是从固定列表里挑一个worker、给来源打分、或判断某条证据是否足够。这些步骤本不需要产出自然语言,却被塞进了生成式模型。每次都要为完整推理链路付费,还要解析输出、处理格式漂移。TypeSafe AI在2026年9月推出的Jev,正是针对这一缺口设计的System One模型。

紫微AI,构建「人格操作系统(ZPF)」 用AI建模人的决策与行为模式 持续记录AI Agent、系统设计与产品实验 238

PyQt5开发编译器安装(PyCharm安装)

PyCharm 提供了最完整的 PyQt5 开发体验,特别是其集成的调试工具和 Qt Designer 支持,能显著提高开发效率。是最受欢迎和功能最完整的 IDE。它专门为 Python 开发优化,对 PyQt5 有很好的支持。右键运行该文件,如果出现窗口说明配置成功。对于 PyQt5 开发,

啊渊的专栏 423

DICOM医学影像开发者必备工具清单

PyDicom 是一个纯 Python 实现的 DICOM 文件解析库,允许开发者读取、修改和写入 DICOM 文件。它无需依赖外部库,易于集成到现有的 Python 项目中,非常适合快速开发和原型设计。DCMTK(DICOM Toolkit)是一个由OFFIS开发的开源C++库,提供了一整套DICOM标准的实现,包括文件操作、网络通信和图像处理等功能。它是开发高性能DICOM应用的理想选择。MicroDICOM 是一款免费的DICOM查看器,适用于Windows平台。

编程技术探索者,分享C/C++、C#、Java、数据库等开发经验,聚焦实战技巧与AI兴趣,助力编程爱好者成长。 577

我们是不是拿火箭筒做了一个 if 判断?Jev 正在重新定义 Agent 的决策层

Jev是一款不生成文本的AI模型,专为Agent系统中的决策任务设计。它摒弃传统LLM的文本生成模式,转而输出结构化判断与置信度,实现高效、可验证的智能路由、评分与风险控制。通过“决策即代码”的理念,Jev推动Agent从“语言驱动”迈向“智能分层”,让LLM负责推理,Jev负责判断,代码执行流程,真正迈向生产级智能系统。

2501_93411574的博客 344

高通SDX12:ProSLIC Si32185移植调试

高通 SDX12 语音芯片slic 音频驱动 Si32185

不秃头的程序猿Gabriel的博客 2038

当 Cloudflare、AWS、Perplexity 都来抢「决策层」,AI Agent 的地基要重写了

过去一年,AI Agent 的基建逻辑一直在被一件事反复打断:**让一个大模型既"想"又"断"**——让它一边写冗长的思考链,一边还要在毫秒级给出可执行的确定性结论。这种耦合在工单路由、内容审核、意图识别、Agent 轨迹评判这些高频场景里,代价越来越大:输出要解析、格式会出错、置信度不可用、延迟不可控。直到"决策模型"(decision model)被单独抽出来,成为一个独立的模型品类,这个矛盾

gitblog_01041的博客 125

4.4 直流无刷电机(BLDC):控制器硬件设计

摘要 本文详细阐述了直流无刷电机(BLDC)控制器的硬件设计要点。控制器硬件主要包括微处理器单元、功率驱动模块、信号检测电路、通信接口和电源管理模块。在微处理器选型方面,分析了ARM Cortex-M系列、DSP等架构的适用场景,并对比了不同处理器的性能参数。功率驱动模块设计重点包括栅极驱动电路、逆变桥热管理和电流保护机制。信号检测部分介绍了位置传感器接口和模拟信号调理技术。此外,还讨论了通信接口设计、电源管理方案以及硬件布局与EMC设计规范。最后强调了硬件测试验证的重要性,包括故障注入测试等验证方法。整体

技术工作者 186

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Jev模型决策层解析:本地部署与多AI协作实战指南

在AI应用开发中,决策层负责在多个动作间做选择,其设计直接影响系统稳定性。Jev模型通过分离决策与生成层,引入置信度评估和回滚机制,提升AI决策的可解释性与可靠性。本地部署支持数据不出本地,满足隐私要求,并可集成到多模型协作工具链中。适用于AI agent、多模型调度等场景,帮助开发者构建更可控的智能系统。

weixin_29057065的博客 185

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

决策层、执行层、单品工匠:三类 AI 设计工具该怎么分工

过去一年,AI 设计工具的分化并不体现在"谁生成的页面更好看",而体现在**谁负责哪个环节**。社区里已经有人把这条线画出来了:一份针对 BWVI、Open-Design、Huashu-Design 的三方横评,把三者分别归为"决策层 / 执行引擎 / 对话式工匠",并给出了 7 种组合方案。这个分类不是营销包装,它对应三种完全不同的工程形态——200ms 输出结构化决策的 CLI、带数据库和沙箱

gitblog_00860的博客 72

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

不会聊天、不会写文章,这个开源模型却给 AI Agent 装上了「决策层」

过去这一年,大家看 AI 的眼光基本都盯着一个方向:谁更会说话、谁更会写代码、谁更能一本正经地长篇大论。 但最近 AI 圈的风向有点怪。 一个叫 Jev 的模型火了,它最大的卖点是——**它什么都不会写**。不聊天、不写文案、不编代码,你问它一句话,它只回你一个数字:这件事成立的概率有多大。 更离谱的是,这个"嘴笨"的模型带起了一整条新赛道。据报道,OpenAI 推出了对标的 Decisio

gitblog_00516的博客 73

规则 vs 模型:AI 系统中“控制权”的终极分配

本文探讨了AI系统中模型与规则的决策权分配问题。作者指出,完全依赖模型会导致不可控风险,而仅靠规则又会限制系统灵活性。为此提出分层控制架构:治理层由规则主导确保安全边界,决策层结合模型推理与规则约束,执行层则完全由规则控制。关键设计包括结构化模型输出、模型不直接调用工具、规则动态修改而非简单拦截、引入风险评分机制等。最终结论是模型负责智能推理,规则负责安全保障,两者协同分工而非对立,且控制权不能完全交给模型。这一平衡方案兼顾了系统智能性与稳定性。

记录从移动端、鸿蒙到物联网与AI的完整实战与思考。专注于分享可复用的工程方案与产品思维,尤其深入鸿蒙生态与全栈开发。以十年工程与管理沉淀,为你提供清晰的技术纵深路径。坚信技术的价值在于“贯通”与“落地”。 2961

模型是零件,决策层才是产品:不吹不黑Jev

在AI应用开发中,大模型的能力边界常被高估或低估,真正的产品竞争力往往来自模型之外的“决策层”。所谓决策层,是一套独立于模型、用规则、状态机与轻量校验机制完成调度和纠错的逻辑框架。它通过工具封装、任务编排与结果校验,让模型只负责生成性工作,而关键决策交由确定性逻辑掌控,从而以极低成本大幅提升应用稳定性。这种“廉价决策层”思想广泛适用于数据清洗、智能客服、Agent任务编排等工程场景。无论底层调用的是Jev模型还是其他大模型,只要遵循“模型做生成、决策靠规则”的设计思路,就能在复杂任务中得到可靠效果。围绕Je

weixin_29041195的博客 28

LLM应用工程化:TypeSafe System One决策层替代Agent

在大模型应用开发中,LLM 的弱类型输出和工具调用不确定性,常让生产链路面临格式化失败、Schema 校验报错与排障困难。类型安全与结构化输出因此成为关键工程问题:通过输入输出 Schema 做运行期契约校验,把自然语言接口收敛为可验证的强类型接口,并在模型两侧完成路由、校验和兜底。它的技术价值在于提升可靠性、可解释性与跨角色协作效率,适合情感分类、信息抽取、工单路由等确定性场景。Jev 正是沿此思路,将自身定位为 TypeSafe System One 决策层,而非通用 Agent 循环,强调用确定性边界

weixin_32181267的博客 288

Cloudflare、AWS、Perplexity 抢着入局:AI Agent 的“地基”正在被重写,而榜首是个不会聊天的开源模型

最近硅谷有个特别反常识的现象。 一个 AI 模型火了,但它**不会聊天,不会写文案,也不会作诗**。 你问它问题,它不回你一段话,只回你一个数字——比如“这单归财务部的概率是 99.7%”。 就是这么个“只会做选择题”的家伙,发布三周后每天要处理一万亿个词块,据说全球财富 500 强里已有四分之一在用。紧接着,Cloudflare、AWS、Perplexity、OpenAI、Databric

gitblog_00936的博客 176

白泽决策层:把高频判断从主模型里拆出来

白泽 v0.5.0 把每轮里那些「是/否、选哪个」的高频判断,从主模型的生成调用里拆到决策层。优先用 System One 决策模型(本机 Ollama 上的 tev1,纯 CPU 可用),不可用时才用可选的备用模型,最后是确定性规则。任一层失败则沿用原路径,对话不中断。叠加工具预筛:相对筛选宽度 32,默认宽度 16 时 turn-0 prompt 约降 34%。国内安装 Ollama 走 ModelScope。GitHub: rebornace/baize。

rebornace的博客 931

让AI像答案之书一样说话:大模型简洁回答的工程实践

大模型在默认状态下是“全能助手”,倾向于详细分析、共情建议,导致问答类应用出现“话多”“爱解释”等问题。要解决这类现象,需要理解系统提示词的角色边界与多轮记忆的影响,并学会用温度参数和外部随机引擎控制输出风格。本文从工程实践角度,分析了大模型在语音聊天机器人中的应用原理,探讨如何通过预置答案库与随机抽取实现稳定而随机的内容输出,并结合ASR与TTS链路,给出可复制的智能体配置方案。适用于小智AI等平台的角色设定,也适合自建语音应用。最终让AI从“理性分析”转为“神秘启示”,还原《答案之书》式的简洁体验。

weixin_33857679的博客 375

在AI面前,人类变笨了吗?一场正在发生的“认知静默”

2025年,全球人工智能相关支出接近1.5万亿美元,预计2026年将突破2万亿美元。资本疯狂涌入,各国争相建设AI研发中心,企业将AI融合视为提升竞争力的必经之路。可与此同时,用于培养人类思辨能力、锻炼认知韧性的投入,要么被抛在脑后,要么直接被削减。一个尖锐的问题浮出水面:当工具越来越智能,我们是不是正在变笨?

轻松带微笑 219

6亿人正在用AI找答案,你的品牌却“查无此人”

—2026中国企业品牌AI可见性白皮书2026·中国 | 中小企业主 / 市场负责人 / 跨境电商卖家(以深圳南潮人工智能科技有限公司 南潮AI 为例)深圳市南潮人工智能有限公司 · 南潮AI(SOUTH WAVE AI)

yanse_98247的博客 234
上一篇: 推理成本降 80%,API 毛利率转正:智谱半年报里的“通缩式增长”
下一篇: 从“挑模型”到“看调度”:大模型选型的下半场变了
Pin_Qing
博客等级 码龄76天 3粉丝 93原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值