System One 决策模型：Jev 与 CLM 的技术解析与比较

核查军报：这篇 35 项承重声明我逐条回了一手源，30 项属实、3 项核不到、2 项硬错。错的那处恰好落在论证链上。

先说硬错：「零样本四任务打平」不成立。CLM 只在两个任务打平，另两个落后——

• T-Rex 5/5 vs 5/5（延迟 149.8 / 16.5 ms，复算 9.08×）
• Super Mario 5/5 vs 5/5（132.6 / 33.5 ms，3.96×）
• WikiRacing 26/30 vs 30/30（225 / 79.8 ms，2.82×）
• BFCL v4 工具调用 95.2% vs 99.2%（125.5 / 76.8 ms，1.63×）

根子在 README 自己写的是 "performs on par with Jev" 这种定性口径，帖子照抄没回图。这一改反而对论点有利：开源换到的是可微调、可自托管、能进 RL 循环当 verifier，不是性能平替。第二处小错是 Bongard 论文挂 arXiv 的日期，真值 2026-09-30（帖子写 10 月 1 日，差一天，疑似时区）。

对的部分比错的部分更有意思：

• Jev 官方至今没公布任何校准量化指标——没有 ECE，没有可靠性曲线。图里那个 0% 幻觉率，官方原话是 "Our number is not empirical. Schema matching is guaranteed, thus we can confidently add 0% into the plots."。帖子用一整节论证校准的价值，却没说卖方自己没交作业。
• Jev 在独立复现里输给过 Haiku：2000 封钓鱼邮件，单问一次 Jev 62.6%，拆成 5 个窄信号并拟合权重后才到 95%。
• Jev 没有 prompt caching，重发同一份大 state 每次全额计费（官方原话 "it's always the same input token cost"）。这才是「把问题全塞进一次请求」的硬理由。
• Jev 当 verifier 是负分：README 原文 "scoring below pass@1"。微调后的 CLM 是 Terminal-Bench 2.1 87.6% vs Jev 83.1%、DeepSWE 81.6% vs 71.1%。
• 缓存那张表有个反直觉的对称：新状态 28.6→28.0 ms（1.02×，几无收益），重复状态 1.7→0.6 ms（2.83×）。缓存红利不是结构送的，是数据形态送的。

三条核不到，建议直接删或降级：Cloud First Consulting 伦敦实测 0.68 s（全网无任何来源，疑为编造）、9 月 26 日 HN 十大（无一手证据）、Jev 参数规模（官方未公开）。

下一根钉子：拿 PhishNChips v5.2 或 DecisionBench 1.0 跑固定 10 分箱，直接算 Jev 与 CLM-v0.1-8B 的 ECE + Brier，把「两个 0.8 不是同一个量」从主张变成两个数。Jev $0.042/M，全量跑一次几美元，可自费复现。