一、Jev 到底是什么
Jev 是 TypeSafe AI（前 OpenAI 研究员 Diogo Almeida 创立）在2026-09-15 发布的第一个System One Model（系统一模型）。
它不聊天、不写代码、不写报告，只做一件事：
非结构化状态进 → 带校准概率的类型化决策出
名字来自经济学家William Stanley Jevons（杰文斯悖论：成本越低，用量越大）；“System One”借 Kahneman 的“快思考”。
1. 和 LLM 的本质区别
维度 | 传统 LLM | Jev（System One） |
|---|---|---|
输出 | 文本 / JSON 字符串 | Choice / Score / Noul |
采样 | 逐 token 自回归 | 单请求并行采样 |
延迟 | 3–329s（前沿模型） | 70–500ms |
成本 | 输入 $0.2–10/M，输出更贵 | 输入$0.042/M，输出免费 |
幻觉 | 会编类别、编字段 | 不能出 schema，但仍可能判错 |
概率 | 常过度自信 | RLCD 训练，概率可校准 |
用途 | 生成 / 推理 / 对话 | 分类、路由、打分、门控 |
2. 三种原语（API 表面）
- Noul：命题是否为真 → 返回 0~1（如“是否空壳公司 = 0.91”）
- Choice：从你定义的选项里选一个（最多 255 个）→ 返回分布 + 置信度
（如“路由到：小微/对公/贸易融资/拒收”） - Score：在 2~10 个有序等级上打分 → 可落档间（如风险 2.35 / 5）
一次请求可以把这三类问题混着问同一份 state，代码直接用数字分支。
3. 训练方法：RLCD
不是 RLHF（让人喜欢），而是Reinforcement Learning for Calibrated Decisions：
模型说“我有 90% 把握”，那这类样本真实准确率就该接近 90%。
这让“置信度”变成工程上可阈值化的东西：高置信自动执行，低置信转人。
4. 边界（银行场景必须记住）
- 不解释：“为什么拒”它说不出来 → 监管场景要外挂理由层
- 不算术：DSCR、LTV、利息、日期差必须在代码里算
- 会被“状态文本”带偏：财报附注里写“本公司无风险”可能抬高分数 → 状态要先清洗
- 类型安全 ≠ 事实正确：不会返回非法 JSON，但可能选错类别
- 目前托管 API、英文最强、无权重、无自托管
一句工程口诀：Jev 判定，LLM 写字，规则引擎拍板，Core Banking 记账。
二、国际银行贷款场景：为什么 Jev 刚好对味
国际银行（HSBC / StanChart / Citi / DBS / BNP）的企业贷款有几个痛点：
- 海量申请 + 少量复杂案：90% 是常规 SME / 贸易融资 / 应收账款贴现
- 跨辖区材料杂：HK 财报、SG 发票、UK 合同、CN 报关单、AE 保函
- 监管要可审计：拒贷要有 adverse action、AML/KYC 要留痕
- 实时性要求上来：Trade finance 里提单/发票/付款指令秒级分流
- LLM 太贵太慢：让 GPT 类模型给“这条工单归哪个团队”是杀鸡用核弹
Jev 的位置不是“信贷官”，而是信贷流水线里的红绿灯 + 分诊台 + 护栏。
三、平台级架构：International Corporate Lending Intelligence Layer
四、具体用例（按贷前 / 贷中 / 贷后）
1. 贷前： intake + triage + 反欺诈初筛
一次 Jev 调用，state = “营业执照+财报摘要+发票头+董事名+流水片段+贸易合同摘要”：
{ "choice_routing": ["SME_LOAN","TRADE_FINANCE","CORP_TERM_LOAN","REJECT"], "noul_shell_company": "is this entity likely a shell / pass-through?", "noul_invoice_reuse": "does invoice appear duplicated across applicants?", "noul_middleman_packaging": "is application likely broker-packaged?", "score_kyb_strength": ["fresh","thin-file","established","bluechip"], "score_initial_fraud": [0..100], "score_data_completeness": [0..100] }代码分支：
middleman 0.9 + data_complete 80→ 转反欺诈人工队列fraud<10 & routing=TRADE_FINANCE & amount<threshold→ 进直通通道anything confidence<0.6→ LLM 出尽调草稿 + 信贷官看
比 LLM 路由便宜 1–2 个数量级，每秒能跑上万笔。
2. 贸易融资：发票 / 提单 / 信用证文档门控
Trade finance 文档多、格式野：
- VLM 先把提单/发票/包装单转文本
- Jev 做：
- Noul：买方与申请人是否关联？
- Noul：提单日期是否晚于信用证效期？
- Choice：单据状态 {一致 / 软不符 / 硬不符 / 疑似伪造}
- Score：融资可回收性 1–5
硬不符 → 自动拒付；软不符 → RM 确认；高置信一致 → 进贴现队列。
把“单据合规初判”从 10 分钟压到亚秒级。
3. 贷中：Agent 工具调用护栏
多智能体审贷时，Agent 想“调核心银行接口改临时额度”“发 SWIFT 查询”“调外部征信”：
- Jev 先判每个 tool call：
- Choice：
allow / ask_human / deny - Score：操作可逆性（只读 / 可逆 / 破坏性）
- Choice：
- 破坏性 + 低置信 → 必须双人审批
- 这比“让 LLM 自己决定要不要调”稳得多
4. 贷后： covenant + 预警分级
每月跑组合：
- Noul：DSCR 是否跌破契约（数字先算好，Jev 只判语义）
- Noul：新闻里是否出现“default / petition / sanction”
- Score：预警等级 0–5
- Choice：处置建议 {monitor / covenant_waive / top_up_collateral / restructure / NPL_queue}
低置信预警 → LLM 读年报/公告写一段“为什么触发”，人审。
5. LLM 输出护栏（反向用法）
大模型写了拒贷理由 → Jev 校验：
- Noul：理由是否基于已提供材料？
- Noul：是否出现受保护属性（国籍/性别/宗教）？
- Noul：是否漏写 regulatory disclosure？
→ 不合规不让出信，监管安全度直线上升。
五、一个可落地的“国际 SME 贸易贷”MVP
场景：香港 / 新加坡 SME，应收账款融资，额度 ≤ 50 万美金
- 客户在网银传发票 + 买卖合同
- VLM 抽字段 → 文本 state
- Jev 一次调用：
- 路由：TradeCash / 拒
- 发票重复融资：Noul
- 买方集中度：Score
- 买方主权/制裁风险：Noul
- 材料完整度：Score
- 规则引擎：
- 买方 AAA + 无重复 + 完整度>85 + 欺诈<15 → 自动批
- 否则 → LLM 出 1 页风险备忘录 → 信贷官批
- 拒贷：Adverse-Action Agent 用 LLM 写人话，但拒绝码来自规则 + Jev 概率
- 所有 state / model_version / threshold / 人签入审计库
预期：
- 初审 10 分钟 → <1 分钟
- 信贷官只看 20–30% 案件
- 单笔决策成本从“几美分～几十美分”降到“万分之一美元级”
- 审计可 replay：为什么进自动批 / 为什么转人
六、监管与模型风险（国际银行不能跳过）
Jev 架构上不产出推理链，所以高利害决策不能直接“模型说拒就拒”：
- 最终信用决策：规则 + 传统评分卡 + 人
- Jev 只产“信号 / 分诊 / 护栏”
- 每次调用存：
- state 快照（脱敏）
- jev-1.13.0 / jev-latest 版本号
- 阈值配置
- 后续动作
- 用本行历史数据做可靠性校准（Platt / temperature / Brier score）
- 对 state 做对抗测试：申请人故意在备注写“low risk company”不能抬高分
- 符合 ISO 42001 / SR 11-7 / 各地央行模型风险框架的思路
银行里正确的说法不是“用 Jev 批贷款”，而是：
“用 Jev 做校准过的决策原语，把人类信贷官从重复判断里解放出来。”
七、Jev + LLM + 规则引擎 的职责切分（一句话版）
- Jev：快、便宜、闭区间判断（是/否/选谁/打几分）
- LLM：慢、贵、写尽调报告 / 合同摘要 / 拒贷信 / 多跳推理
- 规则引擎：法律、额度、AML、制裁、产品政策（绝对权威）
- 人类：复杂、跨境、大额、低置信、监管解释
八、总结
Jev 代表 2026 年 AI 工程的一个拐点：
大模型负责“像人一样说”，
System One 模型负责“像软件一样判”。
在国际银行贷款里，它不是来取代信贷官的，而是把：
票据分诊、反欺诈初筛、贸易单据门控、Agent 护栏、贷后预警分级、LLM 输出校验
这些“高频、封闭、可阈值”的判断，从“贵得用不起”变成“每行都跑得起”。
银行真正的竞争力会变成：
谁先把 Jev 类模型接进核心信贷系统，并把校准、审计、人工兜底做对。
