Jev 与 Decitron：决策 AI 的两种解法

近期，一款名为 Jev 的新模型因一句口号「Decisions, not strings（要决策，不要文本）」引发关注。它来自有 OpenAI 背景的 TypeSafe AI 团队，输出形式不再是文字，而是可以直接被软件执行的 Choice、Score、Probability。无独有偶，今年 6 月，国内中科闻歌发布了通用决策大模型 Decitron 决策机，把世界模型、多智能体推演、博弈与求解纳入统一框架。两条路线都把「决策」摆到台前，但它们对「决策」的理解并不相同：Jev 把它做成一次瞬时判断，Decitron 则把它展开成一场对未来路径的推演。

一条共有的分岔

Jev 与 Decitron 看似差别很大，一个服务软件与 Agent，一个面向战略与产业。但把它们放回同一张坐标系，会发现两个关键共性。

• 输出形态的升级：都在尝试让 AI 的输出从「生成一段文本」走向「支持判断与行动」，Jev 输出概率分布，Decitron 输出对未来路径的比较。
• 不确定性显式量化：Jev 要求系统标注「选择 A 的把握只有 72%」这样的即时置信度；Decitron 则强调在不同主体、不同行动、不同环境条件下，未来可能演化出哪几条路径，并各自给出可信度。

也就是说，两者都把「决策」视为一种独立的 AI 计算范式——只是有人把它压缩到毫秒级，有人把它展开成多轮博弈。

Jev：把决策压缩成一次判断

Jev 想解决的是必须立刻给答案的问题：A 还是 B？风险等级多少？要不要转人工？客服系统收到「我的信用卡被重复扣款了」，传统大模型会先写一段分析，Jev 则希望直接输出 Billing：96%；Fraud：3%；Other：1%，让程序立刻进入下一步。

由此带来的工程变化是，过去程序员写的 if/else 升级成「AI 版 if/else」：当模型判断某一事件发生概率超过阈值，就触发对应分支。Jev 的核心目标因此被锁定为四点——快、便宜、稳定、可直接嵌入软件。

Decitron：把决策展开成一场推演

但并非所有决策都是「选择题」。一家企业要不要扩产？扩产后对手会不会降价？对手降价后市场格局怎么变？政策、原材料、需求同时波动时，原来的结论还成立吗？这些问题已超出单次判断的范畴，因为「你的选择会改变世界，世界改变后别人也会重新选择」。

Decitron 试图处理的就是这种闭环。它遵循 State → Action → Outcome 的循环：先描述当前世界状态，再让不同参与者按各自策略行动，观察世界如何变化，随后进入下一轮。在技术栈上，世界模型负责搭「沙盘」，多智能体把不同参与者放进去，博弈与求解负责计算不同策略可能把世界推向哪条路径。决策因此不再是一个点，而是一条不断生长的时间线。

从 Generation 到 Decision，AI 换了一个战场

Jev 走红与 Decitron 早一步铺路，时间上恰好前后呼应，背后是一条更清晰的行业趋势：生成式 AI 解决「怎么回答」，决策 AI 开始解决「怎么选择」。Jev 把判断做得足够快、足够便宜，让它能嵌入软件与 Agent 的日常流程；Decitron 则瞄准更复杂的问题，通过世界建模与多智能体推演，比较不同选择可能带来的长期后果。一个回答「现在怎么选」，一个回答「选完之后会怎样」。

两者的并存至少说明了一件事：当「会生成」逐渐成为 AI 的基础能力，行业的注意力开始向「会不会决策」转移。下一步的较量，可能不只在「会不会说」，而在世界持续变化时，AI 究竟「会不会选」。