Jev火了，NeurIPS 2025的ConfTuner早已探索相似思路

最近，TypeSafe AI 推出的 Jev 模型火爆出圈，将「输入状态 → 输出决策 + 概率」的模型形态重新带回了大众视野。开发者只需提供状态和问题，Jev 就能直接返回预先定义的选项、分数或事件概率，且结果可直接被代码调用。

虽然 Jev 目前没有开源，架构和训练细节也未公开，但从其公开的 API 和特性来看，有四个核心亮点：

• 直接输出决策 + 概率
• ⚡️支持并行概率预测
• 概率本身就是预测的核心，而不只是附属品
• ⚖️追求概率校准：不只要选对，还要让给出的概率反映真实正确率

这些核心亮点，与 NeurIPS 2025 的入选论文ConfTuner不谋而合。两者在概率建模和校准上的技术直觉高度一致：不仅关注模型最终输出了什么结果，更关注各个候选结果背后完整的概率分布。

新加坡国立大学团队在 ConfTuner 中提出的 Tokenized Brier Score 方法，正是通过直接训练候选置信度的概率分布，让模型表达的「把握」更接近其实际的正确率。

图源：ConfTuner 论文 Figure 1。论文用医疗场景说明，模型对错误答案表达过高置信度，可能影响人的后续判断。

• 论文：https://arxiv.org/abs/2508.18847
• 代码：https://github.com/liushiliushi/ConfTuner
• 延伸项目：JevTuner https://github.com/liushiliushi/JevTuner

把一句「我有 80% 把握」，变成一组可以训练的 token 概率

假设模型回答完一道题，接下来要输出「Confidence: 80%」。在生成置信度的这一步，模型已经为词表中的候选 token 计算了 logits。ConfTuner 从中取出代表 0 到 100 等置信度的候选 token，再在这些候选上做 softmax，得到概率分布。

这一步很关键：研究对象不再只是最终说出的「80%」，而是 0%、1%……100% 各个候选置信度对应的整组概率。这些候选值在同一步计算中得到，不需要把每个数字分别生成一遍

图源：ConfTuner 论文 Figure 2。上半部分取得候选置信度 token 的分布，下半部分利用 Tokenized Brier Score 进行微调。

这就是两者在技术思路上非常相似的地方。Jev 的公开接口让开发者一次拿到候选决策的概率；ConfTuner 则从 token logits 中一次读出候选置信度的概率，并直接训练整个分布。关注点都落在一组概率如何产生、如何校准，而不只是最后取出的那个结果。

只有对错标签，为什么也能学会「有多大把握」？

取得概率只是第一步。ConfTuner 的核心是Tokenized Brier Score

直观来看：如果模型答错了题，却把较高的概率分配给了「99% 确信」，就会受到严厉的惩罚；反之，如果答对了，损失函数则会鼓励模型输出更高的置信度。这种方式极大地降低了数据标注成本——训练数据只需提供答案的对错标签，完全不需要人工去标注「这道题模型应该有 73% 的把握」。

更重要的是，论文在数学上证明了该损失函数是一个 Proper Scoring Rule（适当评分规则）：在对同一类输入取期望时，能使损失最小化的预测，必然会把概率质量集中在最接近真实正确率的置信度 Token 上。这为模型的概率校准提供了坚实的理论保证。

实验验证：校准误差显著下降

研究团队在 HotpotQA 上进行了训练，并在 GSM8K、TriviaQA、StrategyQA 和 TruthfulQA 等多个任务上进行了泛化测试。核心衡量指标是ECE（Expected Calibration Error），即预测置信度与实际正确率之间的差距，该值越低，说明校准越好。

论文报告显示，在五个数据集上，LLaMA、Qwen、Ministral 三个基座模型的平均 ECE 分别从0.2768、0.3781、0.4393降至0.1082、0.2872、0.1884

图源：ConfTuner 论文 Table 1。右侧 Average 列是正文引用的五数据集平均值；ECE 越低越好。

在可靠性图（Reliability Diagram）中，ConfTuner 展现出的预测置信度与实际准确率之间的误差面积大幅度减少，显著优于其他基线方法。

图源：ConfTuner 论文 Figure 3。两行分别是 HotpotQA 和 TriviaQA，最右列为 ConfTuner。

训练效率同样突出。在论文采用的 4 张 A40 GPU 训练条件下，ConfTuner 使用 2,000 条训练数据，约 4 分钟完成微调。而其他训练方法 LACIE 与 SaySelf 分别需要 26 分钟和 120 分钟。

图源：ConfTuner 论文 Table 6。训练时间基于 4 张 A40 GPU，推理时间基于 1 张 A40 GPU；「Sample times」表示每个输入生成回答的次数。

此外，经过校准的概率还能直接赋能下游任务：例如，让低置信度答案触发模型的自我修正，或将其路由给更强大的模型处理。在相同的计算预算下，基于 ConfTuner 的模型级联策略在 HotpotQA 和 TruthfulQA 上分别获得了最高 9.3% 和 5.5% 的准确率提升。

这也是 Jev 式接口的价值所在——当概率直接进入代码逻辑并决定任务走向时，概率校准就从一个单纯的学术指标，变成了整个系统是否可靠的基石。

从置信度 token，走向决策 token

Jev 的走红也引发了新的思考：如果候选 Token 不再代表「0% 到 100% 的把握」，而是代表具体的业务决策，能否继续沿用「直接训练概率分布」的思路？

ConfTuner 团队近期开源的延伸项目JevTuner给出了一个可运行的探索方案。它为候选决策设置了单 Token 槽位，直接读取这些槽位的 Logits 以获取完整的决策概率分布；在训练阶段，利用正确的决策标签和多分类 Brier Loss 来优化概率。

项目提供的推理输出格式如下，开发者可以直接解析决策及各个候选项的概率分布：

需要说明的是，TypeSafe AI 尚未公开 Jev 的底层架构，JevTuner 并非在声称复现 Jev 的内部实现，而是提供了一种技术路径上的可行性探索。两者的共同价值在于指明了一个方向：将候选概率作为模型的直接一等输出，并在训练中真正对这些数值本身负责。

当越来越多的 AI 决策被接入自动化工作流，「选对了」仅仅是及格线；模型给出的概率是否经得起严苛的检验，才真正决定了这些 AI 判断能否被工业界规模化信任和使用。