决策模型通常按“会不会行动”来评价，但同一批模型在 ALFWorld 上作为行动者时会被更容易的子目标带偏。把 JEV 改作教师，在回合结束后看完整轨迹、逐个问“这个动作是否有助于达成目标”，它给出的分数加进 GRPO 后，Qwen2.5-1.5B 策略在 ALFWorld 上的成功率从 72.8% 升到 82.9%，在 WebShop 上从 56.8% 升到 71.4%；而 JEV 自己作为行动者只完成 42.9% 的 ALFWorld 任务。
OpenRouter 用 24 条杂乱的客服消息在九个支持结构化输出的模型上比较了三种拿到可靠 JSON 的办法：发送严格 JSON Schema、强制一次工具调用、或改用只输出标签的决策模型。九个模型共 216 次回复中 209 次符合严格 schema，7 次失手全部来自一家忽略 schema 的供应商；只在提示词里要求 JSON 时则有 18 次因代码围栏失败。对只支持工具的 GLM 5.3 FlashX，强制工具调用得到 24 次中 22 次有效，而直接发 schema 是 0 次。
面向大语言模型读网络财经新闻的交易系统，把每个新闻条目当作可检验单元，用事件窗口异常收益和公司8-K申报来检验判断的含义。确认性读者emu的条目判断与公告窗口异常收益的周度Spearman相关为0.119（95%置信区间[0.098, 0.140]），事件类型与8-K的AUC为0.833；但从发布后首笔交易算起，相关降到0.023，说明网络新闻多在报道已经发生的价格变动。
Hugging Face为“决策模型”定下统一接口：输入状态与若干带类型的问题，模型直接返回选项概率、有序评分或二值概率，而不生成任何文本。此前这类结构化判断要么靠大模型输出JSON、再受约束解码兜底，要么用固定标签分类器或零样本分类。Transformers、llama.cpp与Hub标签已按同一契约接入，兼容的自回归语言模型也能在不重新训练的情况下走这套接口。
TypeSafe 发布免费工具 Citation Telephone，用户给出一句被引用的句子，它便沿参考文献逐篇打开被引论文，找出该句所依据的段落，并标出每一跳是吻合、部分吻合、更进一步还是被改写。在留出的第三组 39 对全文引用上，工具找到支撑段落 38 对（97%），在 21 对审稿人判定论文并未陈述该主张的引用上误报 0 对；但每一跳的标签与审稿人一致的比例只有 47% 至 55%，警告应视为需要亲自读原文的理由。
TypeSafe AI 的概率决策模型 Jev 现已接入 Vercel AI Gateway，应用可把状态直接交给它，取回带类型的 Choice、Score 和 Boolean 答案及概率。常规语言模型逐词生成文本，再由应用解析校验；Jev 并行评估所有已声明问题，直接返回结构化答案。TypeSafe 报告，在其工作流评测中 Jev 比 LLM 最高快 193.6 倍、便宜 444.6 倍，可用于智能体循环中的工具选择、继续或停止判断、风险打分与输出校验。
TypeSafe AI 的决策模型 Jev 1.14 已上线 AI Gateway。它接收状态和一组问题，返回带概率的类型化 Choice、Score 与 Boolean 答案，而不是自由文本，并在一次请求中并行回答所有问题，用于分类、路由、打分和自动校验。1.14 版把图像纳入状态输入，并提供实验性长上下文模式，处理标准请求放不下的文档、日志或对话历史。
把智能体的动作选择换成Jev这类快速决策模型后，单步决策成本降了66.1%到78.4%、耗时降了73.9%到81.5%，但在ALFWorld上任务成功率基本持平、在两个移动端智能体上明显下滑，说明省下的钱不一定变成交付出去的成功任务。
德州2017至2025年5601890起车祸中，一个读编码表的模型与一个读警员叙述的模型被同一套抽样设计连起来，得到带区间的人口计数：手机使用相关伤害事故叙述记下15074起，编码字段只记7340起。
JevSpawn 提出一种免训练的组合式策略，把自然语言任务说明转成可执行的有限动作域，通过并行动作生成、反馈驱动的分支选择、表示修订与保留分支恢复来探索，在八个基准任务上对比七个智能体基线与一个 TypeSafe Jev 变体，在八项中的五项取得最高分，并在 Maze 与 Grid 上同时把成功率提升到 0.96 与 0.95、把端到端延迟从最快基线的 47.91 秒和 61.44 秒降到 40.91 秒和 40.58 秒。