Jeva 四部曲：System One 范式的原理、病理、落地与多模态扩展 合读精读

论文链接：

• Jeva: System One Models from First Principles（arXiv 2610.18773）
• Reading Right, Acting Wrong: Diagnosing Decision Failures of System One Models in Agent Loops（arXiv 2610.18579）
• JevGPT: Thinking Fast and Slow in Autonomous Research（arXiv 2610.18272）
• VideoJev: System One Model for Video Understanding and Interaction（arXiv 2610.18615） 发表时间：2026年10月13日（四篇同日挂出） 机构：新加坡国立大学（Jeva）；卡内基梅隆大学（Reading Right）；阿卜杜拉国王科技大学 KAUST（JevGPT，含 Jürgen Schmidhuber）；南京大学+京东+国科大+清华+厦大+上交+中科大+复旦（VideoJev，8 机构 18 人，王利民团队通讯） 领域标签：cs.AI / cs.CL / cs.CV / cs.IR；Hugging Face 论文榜 Jeva 222 赞榜首、VideoJev 189 赞

一、论文背景：System One 模型是什么，为什么突然爆发

要读懂这四篇论文，先要理解它们共同讨论的对象——System One 模型（也叫决策模型、Jev 类模型）。

从 Kahneman 的双系统说起。《思考，快与慢》把人的思维分成两套：System One 快而省力（看到蛇立刻跳开），System Two 慢而刻意（算一道数学题）。当前的大语言模型 agent 几乎全部工作在 System Two 模式：生成一段思维链推理，再逐 token 生成答案。这对"写文章"合理，但 agent 循环里的大量步骤其实是微型决策——选哪个工具、点哪个按钮、这条文档相不相关、要不要继续搜索。用逐 token 生成来做这些事，就像用长篇论文回答"红灯停还是行"。

**System One 模型的接口定义。**2026 年 TypeSafe AI 提出 Jev 及 System One 模型概念后，这一范式迅速获得 OpenAI（Decisions API）、Liquid AI、Cloudflare、Perplexity 等厂商跟进。其接口是：输入状态 + 一组候选选项（Choice/Score/Noul 三种类型化输出），模型一次前向直接返回候选上的概率分布，不生成任何文本。输出被代码直接消费，厂商主打"每美元智能"（intelligence per dollar）。

**当前实践的结构缺陷。**Jeva 论文开篇指出：现有开源 System One 模型（JevK5、Intern-Decision、KEV 等）把请求和候选拼成序列化文本联合编码，再从答案 token 的 logits 或任务头读出决策。这个"用生成式模型模拟决策"的设计有四个结构性问题：

1. 不感知空答案（non-null-aware）：把候选分数归一化后，模型永远被迫在候选里挑一个，无法表达"没有一个是对的"。想象客服路由器遇到一个不属于任何已知类别的问题——softmax 会硬塞给它一个错误类别。
2. 不对称置换（non-permutation-invariant）：把选项 A、B、C 换成 C、A、B，决策可能改变。Jeva 实测主流基线的决策翻转率高达 17%–45%（Qwen3.5-4B label LP 达 84.5%）。
3. 不可扩展候选（non-option-scalable）：基于固定答案符号表（如字母 A-Z）的实现，候选超过 26 个就无能为力；Intern-Decision 在 K=128 以上直接不支持。
4. 不可缓存（non-cacheable）：候选内容被编码进请求特定的联合上下文里，换个请求就得全部重算。而工具注册表、文档库、标签表往往跨请求复用——这部分计算本来可以省。

**范式还缺两块拼图。**其一，病理学：这些模型在真实 agent 循环里到底错在哪？错误率数字无法回答"是没读懂状态，还是读懂了还选错"——因为没有思维链可以检查。其二，工程化落地：快思考模型单独存在意义有限，它必须与慢思考组件协作，才能组成完整的研究型 agent；这种分工到底能省多少钱、提多少准，需要严格实证。其三，多模态：视频 agent 同样需要"看完视频立刻判断"的及时决策能力，范式能否平移？

这四篇论文恰好构成对上述四个缺口的完整回应：Jeva 立原理、Reading Right 做病理、JevGPT 落工作流、VideoJev 扩多模态。

二、论文定位和关联工作：四篇论文的关系图谱

这四篇论文不是孤立工作，而是围绕同一范式的一次"学术会诊"。我们先梳理各自的研究谱系，再看它们如何互相咬合。

2.1 Jeva：站在集合函数与检索的肩膀上

Jeva 的独立编码 + 晚交互设计有三条清晰的技术血统：

关键区别：DPR 式独立打分的 softmax 分母在两候选的 odds 比中抵消，加减其他候选永远无法反转两个保留候选的偏好（Jeva 命题 1 的反面）。Jeva 用"仅精炼请求状态、读取不可变选项记忆"的设计，既保留独立编码的可缓存性，又通过集合条件化的状态更新实现偏好反转能力。

2.2 Reading Right：诊断谱系的集大成

knowing-vs-doing 的分离研究已有脉络：Sobotka 等区分观察-信念与信念-动作鸿沟；Schmied 等报告"能说出好策略但不照做"的鸿沟；Press 等发现组合性鸿沟（子问题全对、合成问题失败）。Reading Right 的推进在于三点：同一状态上的配对测量（探针与决策输入逐字节相同，而非自由文本理由）、模型无关的探针充分性判据（不依赖任何模型即可检查探针能否支持归因）、以及 18 个系统的规模化横评。它的行为学测试方法论直接继承 CheckList（Ribeiro 2020），子问题先答再合成则呼应 least-to-most / 分解提示 / PAL，但所有子问题都发给同一个 choice-only 接口、合成由调用方代码完成——这正是 System One 的设计用法。

2.3 JevGPT：快慢系统分工的最新实证

固定语料 QA（BrowseComp 系）上的 agent 已有 Pi-Serini（BM25+推理模型）、Agentica、AtlasNav、RISE、Reason-ColBERT 等强基线，全部用推理模型包打一切。JevGPT 的定位是第一个把"可并行的局部证据判断"显式分配给 System One 的双系统架构，并给出每个组件的美元价值拆解。它与 Reading Right 的建议（“让快模型读，把组合交给代码/规划器/深思”）在同一周殊途同归。

2.4 VideoJev：范式多模态化的接力

视觉侧已有 Visual Jev（共享图像上下文的强制选择）、PixelJev（图像识别+多选 VQA）、FreeRet（用 MLLM 多选概率做免训练重排）。视频特有难点是时序结构（输出是连续区间而非离散标签）与昂贵视觉前缀的跨查询复用。VideoJev 是第一个把时序定位与视频 QA 统一为候选打分的系统实现。

2.5 定位总结

三、问题定义：四篇论文抽象出的共同本质问题

四篇论文表面主题各异，但可以把它们放进同一个抽象框架：当一个系统需要针对结构化候选集合做高频微型决策时，如何让决策的结构性质、错误归因、系统分工与计算复用各自成为可设计、可测量、可优化的对象？

3.1 Jeva 的问题抽象

具体问题：怎么设计一个架构，使得 null 感知、置换不变、候选可扩、可缓存四个性质自动成立？ 抽象问题：这是代数结构对齐问题——决策问题天然带有集合语义（候选是无序的、可增删的、可跨请求复用的），那么架构的计算图是否与这个代数结构同构？Jeva 的回答是把"请求-条件化、集合-条件化"两种依赖显式分离：候选侧计算只依赖候选自身（⇒ 可缓存、置换只重排不改变），请求状态在固定候选记忆上精炼（⇒ 集合依赖的判断力），覆盖概率独立于候选竞争（⇒ null 语义不混入基数项）。

形式化：给定请求 (状态 x, 问题 ι, 类型 t) 与候选集 O=(o₁,…,o_K)，求联合分布 p(Y=i)=ρ·q_i，其中 ρ=σ((max_i s_i − b_cov)/τ_cov) 是"存在可接受候选"的概率，q=softmax(s/τ_dec) 是条件竞争分布。约束：p 对候选置换等变、ρ 不含 log K 项、候选表征不含请求信息。

3.2 Reading Right 的问题抽象

具体问题：System One 选错动作时，是读错了还是决策错了？ 抽象问题：这是能力解耦测量问题——把单一准确率指标分解为"理解"（U：所有事实探针全对）与"决策"（D：动作正确）两个可独立测量的维度，交叉成 U1D1/U1D0/U0D1/U0D0 四象限。其精妙之处在于充分性判据的引入：对共享同一探针答案向量的状态组 S，若 ∩G(s)≠∅（存在一个在所有可能状态里都正确的动作），则探针集在 S 上充分——读对却做错才可以归因于决策。这个判据不依赖任何模型，把"归因有效性"从猜测变成了可检验的数学条件。

3.3 JevGPT 的问题抽象

具体问题：自主研究 agent 预算有限，如何又快又准又便宜？ 抽象问题：这是计算分工的可并行性分解问题——研究规划需要累积全局信息 ⇒ 本质串行、需要长程推理（System Two）；局部证据判断（这段文字支不支持目标 u？这个文档相不相关？）只依赖受限目标与单一区域 ⇒ 本质可并行、可交给便宜的 System One。分工的判据不是"难易"而是信息依赖的局部性。

3.4 VideoJev 的问题抽象

具体问题：视频时序定位和视频 QA 怎么共享一个决策接口？ 抽象问题：这是输出空间重构问题——时序定位的输出（连续区间 [a,b]）看似与多选 QA（离散字母）结构不同，但都可以改写为"对候选集合打分"：时间线切成 K 个帧对区间，对每个区间打"属于事件"的隶属分，再用 Kadane 算法 O(K) 解码最优连续段。输出空间一旦对齐，两个任务共享同一个打分头、同一种前缀复用、同一套训练配方。

四、问题解法：四篇论文的方法拆解

4.1 Jeva：决策原生架构

整体结构（类比：把"联合编码的大模型"拆成"共享编码器 + 极小的决策核"）：

1. 独立编码：共享骨干 Qwen3.5-4B 分别编码请求（模板含类型/问题/状态）与每个候选（模板只含类型与候选文本，不含当前问题、状态、候选序号——这保证候选表征与请求无关）。池化 + 无偏投影得到请求状态 z₀ 和候选向量 u_i。
2. 候选条件化的状态精炼：轻量决策栈（仅 L=1 块、8 头、d=768）只在不可变选项记忆（K/V）上做注意力，更新请求状态 z_l；候选向量全程冻结。命题 1 证明：仅一个块即可在换入换出第三个候选 C⁺/C⁻ 时反转 A、B 的偏好——这是独立打分器（DPR 式）在数学上做不到的。同时混合器直接构造消息、从不物化 K×K 交互矩阵，复杂度对 K 线性。
3. 竞争、覆盖与类型化输出：终态打分 s_i = z_L^T u_i，softmax 给条件分布 q。覆盖门 ρ=σ((max s_i − b_cov)/τ_cov) 单独估计"至少一个候选可接受"的概率；p_⊥=1−ρ，p_i=ρq_i。命题 2 证明 ρ 对"加入低于现有最大分的候选"不变，而平坦 softmax 的 null 概率会被 log K 项污染。同一套计算支持 Choice（选候选）、Noul（读正候选概率）、Score（期望 Σq_i·v_i 对应 rubric 数值）三种输出。
4. 缓存：原子选项记忆 M(o)=(u, {k_l, v_l}) 不含请求与其他候选（命题 3），可跨请求、跨新组装的候选集精确复用；请求编码与决策始终新鲜。
5. 训练：LoRA rank-64（13.37M 可训练参数）+ 决策头，10 阶段课程（typed decisions → intent → 反事实/验证 → 开放集 → 阅读/推理 → 大候选检索等，约百万级样本），联合交叉熵 ℓ = BCE(g, c_y) − Σ y_i log q_i，恰好分解为覆盖项 + 竞争项。

4.2 Reading Right：配对探针诊断框架

1. 决策状态与封闭世界原则：每个状态含目标、执行历史、规则与全部可行动作 A(s)（无一省略、无预筛选、候选不由 LLM 提出）；金标 G(s) 只从 agent 已见信息计算（模拟器中为最短路径首动作集合或探索动作）。工具调用按"工具选择 × 闭合参数"分解枚举。
2. 事实探针：同一状态上独立询问事实问题（上一步成功了吗/在哪/拿着什么/已完成哪些子目标/某动作是否被允许），答案由模拟器/数据库判定。探针与决策输入逐字节相同、各自单独作答。
3. 四象限测量：U（全部探针对）×D（动作对）交叉；核心指标是 U1D0（读对做错）占比。
4. 充分性判据（§2.4）：共享探针答案的状态组内金标交集非空 ⇔ 探针集充分 ⇔ U1D0 可归因于决策。
5. 受控变体：历史消融（删执行历史）、观察最小编辑对（只改最后一条相关/无关观察）、规则变更（声明式改规则使先验知识失效）、难度阶梯（轨迹长度 × 决定性观察距离）。基准共 65,228 条记录、19,663 个配对测试状态，覆盖 ALFWorld/BabyAI/TextWorld/τ²-bench/工具/网页/真实编码轨迹，hash 封存冻结。
6. 干预研究：三类"加信息重问决策"——合成程序州（探针充分性由构造保证）的四条件阶梯（原始轨迹 / 轨迹+相关事实 / +无关事实对照 / 仅事实）；真实状态上的 probe-then-decide（加基准探针/自己答过的探针/正确答案）；ALFWorld 决策导向探针（每状态约 26 个窄问题 + 下一子目标）。

4.3 JevGPT：双系统自主研究架构

1. 分工：System Two = GPT-5.5（medium reasoning），负责搜索规划、证据目标设定、发现整合、最终作答；System One = Jev-1.13.0，对每个候选源区域并行做局部判断，返回原文段落（保留源坐标）。
2. 证据定位（QA）：Noul 判断给"区域解决目标 u"的概率 e_{u,r}，阈值 τ_loc=0.5 过滤；Choice 判断在文本块上取分布，最高块概率 <0.8 且次块 ≥0.15 时加选次块；每检索单元至多 16 个重叠区域、每区域至多 60KB 源文本。自适应阅读最多加读 2 页上下文后重评。
3. 相关性评估（排序）：Score 判断输出 4 级分布（无关/擦边/相关/高度相关），保留概率 p_d=P(2)+P(3)，阈值 0.25；候选评估数超 20 触发"继续检查"判断（继续有益概率 ≥0.5 才继续）。
4. 主动证据发现：每次搜索后前 K=60 个检索单元进入发现分支；QA 把问题切成至多 6 条线索按覆盖+特异性加权选源（τ_lead=0.5，至多 3 源）；排序以 p_d 为优先级至多返回 10 文档；距 300 秒预算的提交提醒不足 45 秒则不再启动新批次。
5. Hybrid BM25：文档级得分与段落级得分（max over 段落）各自 min-max 归一化后等权 ½+½ 融合；长文档贡献至多 2 个排序段落。

4.4 VideoJev：视频候选打分

1. 架构改造：预训练 MLLM（Qwen3.5-4B / Qwen3.6-35B-A3B）移除最终 MLP（依据 pre-MLP 特征已支持语义相似度的观察），LM 输出头换成共享候选评分器：决策 token 与候选 token 的隐状态分别投影到 512 维、L2 归一化，logit s_i = 10·u^T v_i + b。新增 <|option_end|> 与 <|decide|> 两个 token（从 <|im_end|> 初始化）。
2. 统一输入：视频 token 在前，接任务指令 + 查询 + 候选列表。时序候选 = 时间戳文本（帧对区间），文本候选 = 选项文本——同一格式。
3. 任务损失：时序定位用多标签 BCE（区间中点在标注事件内为正）+ Soft IoU（按区间时长加权的覆盖监督，+4.6 mIoU 的关键）；解码用阈值 τ=0.25 调整 logits 后 Kadane 算法 O(K) 找最大和连续段。QA 用 softmax + CE；训练时做答案无关的选项置换以抑制位置捷径。
4. 两阶段训练：先冻骨干只训头（30% 视频），再联合适应（70% 视频）——模仿 MLLM 投影器对齐的惯例，省算力且稳定。
5. 两种推理模式：Cached inference（视频前缀编码/预填充一次，逐查询分支复用）与 Joint inference（多查询接同一前缀，一次因果前向读出全部分数）。10 个查询 Joint 仅比 1 个查询多 55ms（grounding）/ 31ms（QA）。

五、评估指标与实验证据

5.1 Jeva：用结构性质本身当指标

Jeva 的评估分两层：常规决策质量 + 结构性质的直接测量（这是它区别于所有基线的评估设计）。

实验设计为何有证明力：置换测试直接检验命题 3（架构 ⇒ 数学上的等变性），翻转率 0% 与 TV 3.17e-08 说明这不是"训练得不错"而是"结构上必然"；缓存测试给出"复用前后决策逐位不变"的数值证据，把"缓存不改变答案"从工程假设变成可验证断言。

5.2 Reading Right：用配对四象限说话

18 个系统（14 个 System One + 3 个 LLM 似然读出 + GPT-6.1 推理参照）在同一 19,663 个配对状态上的核心结果：

三大发现：(1) 六个最强系统 73–85% 的错误发生在事实全对的状态，且占比随准确率上升而上升；(2) 错误不是噪声——14 个合格快系统有 141 个状态集体失守（零假设期望 0），56% 的 U1D0 错误集中在 ≥7 系统同败的状态上；(3) 干预实验定位根因——合成程序州上"读与合成各自满分、合起来掉 20–45 分"，把模型自己的事实答案拼回去 +15~28 分、用代码按规则组合自己的答案达 0.96–1.00；真实 ALFWorld 上加下一子目标 +16.3 分（JEV），而任何事实块最多 +5.7。

实验设计为何有证明力：四象限分解把"准确率"这个黑盒拆成可归因的失败模式；充分性判据防止"探针没问到点上"的归因污染；加信息干预（含无关文本对照）建立因果而非相关；标签审计（303 条共置容器标签错误的敏感性分析）反而让结论更保守。

5.3 JevGPT：精度-成本-速度三杀

实验设计为何有证明力：替换实验是全文最有说服力的一张表——固定 System Two，只换 System One 执行者，质量持平甚至反超而成本差两个数量级，直接证明了"局部判断不需要贵模型"这一分工假设；累积消融把每个组件的价值拆成可复算的分数与美元。

5.4 VideoJev：质量与速度的双面验证

消融亮点：Soft IoU 监督单项 +4.6 mIoU（BCE 只管局部隶属、IoU 管事件覆盖）；TG+QA 联合训练双赢（+0.7/+1.3，时序监督锐化证据定位、QA 强化语义判别）；Joint 比 Cached 反而略好（13/14 项提升，训练与推理布局一致）。校准短板如实报告：四基准平均 ECE 8.65/8.13 个百分点，概率系统性高估正确率——但高置信（≥99%）预测的准确率达 95.8%（总体 73.4%），选择性使用仍有价值。

六、效果优势的根源解释

6.1 根源机制与证据链

Jeva：约束的结构化外移。

• 因果链：候选表征只依赖候选（模板隔离）⇒ 选项 K/V 与请求无关 ⇒ 置换等变（命题 3）与缓存精确复用成为构造保证而非训练目标【论文实验已支持：翻转 0%、缓存复用概率差 0.00736】；覆盖门与竞争分布解耦 ⇒ null 语义不被 log K 基数项污染（命题 2）【论文实验已支持：AUROC 98.66% vs 次优 93.61%】；仅精炼请求状态、不物化 K×K 交互 ⇒ 复杂度对 K 线性 ⇒ 大候选集与低延迟并存【已支持：K=2048 单次打分 69.88%】。
• 反事实：若无状态精炼（纯独立打分），命题 1 证明无法表达"换第三个候选反转前两个偏好"；若无覆盖门（平坦 softmax null），命题 2 的 log K 项会随候选数系统性扭曲 null 概率。

Reading Right：读/做是两个独立的能力轴。

• 因果链：choice-only 接口省略了"把已读事实组合成决策"的中间计算 ⇒ 读与合成各自满分的系统在合成上掉 20–45 分【已支持：JEV 读 100%/仅事实决策 1.000，原始轨迹 0.791】；把组合外移给代码（用模型自己的事实答案按显式规则组装）⇒ 0.96–1.00【已支持】；开放任务中缺失的不是事实而是子目标选择 ⇒ 加子目标 +16.3 分、任何事实块 ≤+5.7【已支持】。
• 关键反直觉：信息不是中性的——同样字数的相关事实 +18 分、无关事实 −4 分（JEV 0.791→0.751），不完整的显著摘要能把 Gemma 从 0.659 拉到 0.341。这解释了为什么"多给上下文"不是万灵药。

JevGPT：信息依赖局部性决定分工。

• 因果链：局部判断（这块文字支不支持目标）只依赖受限目标与单一区域 ⇒ 可并行 + 小模型足够 ⇒ Jev 吃掉 90%+ 的判断量 ⇒ 同预算内检查更广（Discovery K=60 深度）⇒ 精度与成本同时占优【已支持：替换实验质量持平、成本 <1%】。
• 反事实：若局部判断也用 GPT-5.5（K=120 时 S1 成本 $3.54 > S2 成本），整个架构的成本优势荡然无存——分工不是可选项而是架构成立的前提。

VideoJev：输出空间与任务结构对齐。

• 因果链：生成时间戳/字母 → 对候选集合打分 ⇒ (a) 读出与决策目标直接对齐（同数据下 +1.3/+1.9 反超 AR SFT）【已支持：受控消融】；(b) 免逐 token 反馈 ⇒ QA 比 Thinking 快 100×；(c) 因果注意力使视频前缀与查询无关 ⇒ Cached/Joint 复用成为可能 ⇒ 10 查询仅 +55ms【已支持】。
• 反事实：保留最终 MLP 无增益（−0.2），Direct 模式的自回归基线（单 token 输出）在 Joint 布局下反而掉分（60.0→58.7）——说明收益来自"打分接口"本身而非"少生成几个 token"。

6.2 相关工作检索与对照（交叉验证）

第六部分的核心问题：Reading Right 对范式的批评与 Jeva 的构造保证如何对话？ 两者表面冲突（一个说 System One 有系统性缺陷，一个说 System One 原理完备），实际在不同层面上互补。下面结合外部检索逐条对照。

对话一：Jeva 的四大保证 ≠ Reading Right 的四大失败。 Jeva 保证的是输出分布的代数性质（换序不变、null 语义、K 扩展、缓存一致）；Reading Right 诊断的是状态理解到动作选择的认知鸿沟。两者层级不同：前者是"决策读出层的数学正确性"，后者是"决策内容本身的正确性"。Jeva 翻转率 0% 只保证不会因为选项顺序而错——不保证选的内容对。反过来说，Reading Right 里 Torchcast-27B 读得最准（U=0.858）却决策最差（D=0.678），这种"读做鸿沟"正是任何输出层构造保证都无法修复的。

对话二：Reading Right 的补救方案恰是 Jeva 的设计用法。 Reading Right 结论说"让模型读（许多窄问题并行），把组合交给代码、规划器或深思"。JevGPT 就是这个建议的完整实现：Jev 并行回答窄问题（Noul/Score），GPT-5.5 与代码做组合。Jeva 的三种类型化输出（Noul 天然适配"这条证据支持目标吗"的窄问题）为这种工作流提供了接口级支持。三篇论文在"范式应该怎么用“上完全一致：System One 不是更小的 agent，而是 agent 系统里的感知-判断原件。

对话三：共同的未完成项是校准与置信。 Reading Right 测得 17 个快系统的 ECE 从 2.6% 到 26.6% 不等——同接口下差异悬殊；VideoJev 未做校准训练，ECE 超 8pp。置信驱动的级联（Reading Right §6.1 中阈值 0.7 的二次请求拿到 0.932）与升级（JEV-as-a-judge）都依赖概率质量，这是范式下一步的明确工程缺口。

6.3 综合判断与未决问题

• 多项研究共同支持的机制：(1) 结构性质应由架构构造而非训练逼近（Jeva 命题 + DPR/Deep Sets 谱系 + 基线 17–45% 翻转率的反证）；(2) 读与组合是可分离的能力，组合瓶颈在开放任务中表现为子目标缺失（Reading Right 两套干预 + Press 组合性鸿沟 + Kambhampati 规划立场）；(3) 局部判断可安全下放给便宜模型（JevGPT 替换实验 + Reading Right 代码合成 0.96–1.00）。
• 仍属推测的部分：Jeva 的集合条件化交互在大规模真实 agent 循环（而非检索式任务）中带来多少端到端收益，论文只在 K≤2048 的选择任务上验证；VideoJev 的"Joint 略优于 Cached"可能是训练-推理一致性的副产品（作者自己也如此推测）。
• 适用条件与失效条件：候选打分范式适用于候选可枚举、决策可类型化的场景；当任务需要开放生成（写代码、写报告）或候选空间本身需要构造时，必须由 System Two/规划器补位——Reading Right 的 141 个"全系统失守状态"与 GPT-6.1 的 τ²-bench 谨慎偏差说明，即使补上深思，策略性偏差与标签严格性仍是误差源。

七、必要知识反推

假设一个完全没有背景的研究者要同时做出这四篇论文，他最少需要掌握什么？

7.1 领域知识层

• 决策论与概率基础：odds 比、log-odds、贝叶斯更新的含义——不理解"softmax 分母在 odds 比中抵消"就无法理解命题 1 为什么宣判独立打分器死刑。
• Kahneman 双系统理论：知道快/慢思维的原始定义，才能识别"agent 步进决策不需要慢思考"这一范式切口。
• agent 循环的工程形态：ReAct 式轨迹、工具调用枚举、状态-动作-观察三元组——Reading Right 的决策状态定义和 JevGPT 的证据区域都以此为骨架。
• 概率校准：ECE、可靠性图、温度缩放——四篇论文共同的评估暗线。

7.2 方法论知识层

• 集合函数理论：Deep Sets 的对称聚合、Set Transformer 的注意力交互、Perceiver 的潜表示——Jeva 决策栈的直接素材。
• 信息检索：BM25 变体、稠密检索、ColBERT 晚交互、重排——Jeva 的缓存与 JevGPT 的 Hybrid BM25 都站在这一谱系上。
• 行为测试与探针方法：CheckList 的受控输入变换、probing classifier 的局限（不忠实解释问题）——Reading Right 方法论的来源。
• 组合性/分解提示：least-to-most、decomposed prompting、PAL——理解"子问题先答再合成"为何是 System One 的正确用法。
• MLLM 结构细节：pre-MLP 特征的语义相似性性质（FreeRet 的观察）、因果注意力与 KV 缓存机制——VideoJev 改造输出头的依据。

7.3 工程知识层

• LoRA 微调与课程学习：13.4M 参数训练出 4B 级决策模型的配方。
• 延迟测量与批处理：H200 同步计时、前缀缓存、长度感知批处理（Jeva 7.85× 加速的来源）。
• 基准构建与防污染：hash 封存清单、按源切分、新鲜生成确认队列、标签敏感性分析——Reading Right 基准可信度的保障。

7.4 知识融合的关键节点

1. 代数结构 ↔ 计算图的对齐（Jeva 命题 1–3）：把置换群作用、贝叶斯更新这类抽象代数事实翻译成架构约束——这是"从第一性原理设计"的实义。
2. 测量有效性 ↔ 归因有效性（Reading Right 充分性判据）：意识到"配对测量"本身需要数学许可（交集条件），把评估方法论提升为可证明的框架。
3. 信息依赖局部性 ↔ 系统分工（JevGPT）：用"这个判断需要看多少上下文"而非"这个判断多难"来分配模型档次。
4. 输出空间重构 ↔ 任务统一（VideoJev）：发现时序区间的连续结构与离散选项共享"候选打分"接口，Kadane 算法把区间解码压回 O(K)。

八、论文中可以提取的通用性灵感

灵感一：把结构性质做成构造保证，而不是训练目标。

• 核心思想：任何希望模型满足的不变性（对称性、一致性、单调性），优先在架构层面让它数学上必然成立，而非靠数据增强或损失函数软性逼近。
• 论文证据：Jeva 置换翻转率 0%（构造）vs 基线 17–45%（训练逼近）；缓存复用决策逐位不变 vs 联合编码架构无法缓存。
• 推广场景：①数据库查询优化器——把"等价 SQL 改写不改执行计划"做成计划生成器的对称性约束；②风控规则引擎——把"特征重排不改风险等级"构造进打分网络；③多语言客服路由——把"语言变体不改意图判定"做成编码结构；④科学计算——物理守恒律作为网络架构约束（已有 Hamiltonian NN 先例，本文提供了"决策问题版"方法论）；⑤ UI 自动化测试——控件顺序无关的断言设计。

灵感二：能力诊断先配对解耦，再干预归因。

• 核心思想：单一指标（准确率）掩盖失败模式；在同一输入上配对测量两种能力（如理解 × 决策），交叉成四象限，再用"加信息干预 + 无关信息对照"建立因果。
• 论文证据：73–85% 错误是读对做错；相关事实 +18 分 vs 无关事实 −4 分的对照；子目标 +16.3 > 事实 +5.7。
• 推广场景：①医生诊疗评估——分离"检查判读正确"与"治疗方案选择正确”；②代码评审 agent——分离"读懂 diff 语义"与"判断该不该合并"；③自动驾驶——分离"感知正确"与"规控决策正确"的失败归因；④教育诊断——分离学生的"知识理解"与"知识应用"；⑤ RAG 系统调优——先测检索理解 vs 生成合成哪一环塌了再对症下药。

信息非中性原则（同一灵感的推论）：给系统补充信息前必须检验信息的"方向性"——不完整的显著摘要可能比不给更糟（Gemma 0.659→0.341）。适用于任何"加上下文"的工程决策。

灵感三：按信息依赖局部性分配计算资源。

• 核心思想：多模型系统里，组件该用多贵的模型，取决于它的判断需要聚合多少信息（依赖局部性），而非任务表面的难度等级。
• 论文证据：JevGPT 中局部证据判断（受限目标 + 单一区域）下放给 System One 后质量持平、成本 <1%；而研究规划因需全局累积信息保留给 GPT-5.5。
• 推广场景：①代码审查流水线——单文件风格检查用小模型、跨模块架构决策用大模型；②金融风控——单笔交易规则判断实时小模型、团伙欺诈图谱分析离线大模型；③内容审核——单条内容分类小模型、事件脉络研判大模型；④工业质检——单工件缺陷检测边缘模型、批次工艺归因云端模型。

灵感四：连续输出可以离散化为候选打分。

• 核心思想：看似结构完全不同的输出（连续区间 vs 离散标签），如果都能改写为"对候选集合打分 + 结构化解码"，就能共享模型、训练与推理基础设施。
• 论文证据：VideoJev 把时序定位（连续区间）转为区间隶属打分 + Kadane O(K) 解码，与视频 QA 共享一个头，联合训练还双赢（+0.7/+1.3）。
• 推广场景：①语音端点检测——帧级打分 + 连续段解码；②医学影像病灶分割——超像素候选打分；③排班/路径规划——离散化候选 + 区间组合解码；④音频高光检测——片段打分 + 连续高光段抽取。

灵感五：昂贵的共享前缀只算一次。

• 核心思想：多查询场景中，把"与查询无关的上下文编码"和"查询特定的读出"在架构上分离，前者缓存/合并计算，后者保持新鲜。
• 论文证据：Jeva 跨请求缓存 27.98×（决策不变）；VideoJev Joint inference 10 查询仅 +55ms；JevGPT 的并行证据判断本质上是"一次检索 + 多个便宜读出"。
• 推广场景：①法律合同审查——合同编码一次、条款问题批量打分；②日志异常检测——日志流前缀一次编码、多模式并行匹配；③多租户 SaaS——租户配置作为可复用前缀；④ BI 多维分析——数据集语义层一次编码、多查询共享。

灵感六：置信驱动的级联是廉价系统的正确打开方式。

• 核心思想：快系统的概率输出若足够校准，可作为"何时升级到慢系统"的触发器，以极小成本保住头部精度。
• 论文证据：Reading Right 的置信级联（阈值 0.7，38% 状态二次请求）拿到 0.932；VideoJev 高置信（≥99%）预测准确率 95.8% vs 总体 73.4%；JevGPT 双系统成本仍只有纯推理方案的 40–60%。
• 推广场景：①客服机器人——低置信转人工；②自动驾驶——低置信降级为保守策略；③医疗影像 AI——低置信标记医生复核；④内容生成——低置信段落触发深度重写。

附：四篇论文一览表