1. 引言：导航中的每一次判断都需要生成吗

具身导航既需要理解指令、整合历史和重新规划，也包含大量较短的判断：哪个候选路点更合适、当前地标是否匹配、哪条记忆与任务相关、是否需要再看一眼。这些环节是否都需要逐步生成文本？能否将有界判断与开放式推理分开，让不同计算承担不同职责？

这不是预设某一种导航范式必然更优。端到端动作模型、分层规划和候选比较各有适用条件；本文关注其中一条可检验的路线：在机器人已经提供证据、候选与执行约束时，用专门的决策模型处理部分选择与验证。

TypeSafe AI 于 2026-09-15 发布的 Jev 提供了这种接口：输入文本状态与预先定义的问题，返回类型化结果和概率，而非自由生成的回答。官方将其称为“System One 模型”，强调快速、聚焦的判断。官方发布文

Jev 是否适合导航，不能只看调用速度。其原生输入只有文本，内部训练细节未完整公开；社区替代实现虽然扩展到视觉，也需要区分接口、训练与执行优化各自带来的收益。本文因此按以下顺序展开：

1. 第 2 章：接口与证据。 Jev 返回什么，速度与校准主张如何理解，已知局限是什么。
2. 第 3 章：技术路线。 从候选读出、决策头训练到视觉适配，开源方法分别改变了什么。
3. 第 4 章：导航研究机会。 沿行动决策、记忆管理与 Agent 内部协作展开，区分已有结果与迁移设想。
4. 第 5 章：验证方法。 用可归因的对照实验检验质量、延迟、成本与执行风险。

全文将厂商声明、论文 / 项目自报结果和本文提出的方案分别标明。核心目标是找到值得研究的机制，而不是把产品宣传或单个演示外推成通用导航能力。

2. Jev 是什么：接口、机制与证据边界

Jev 是面向程序的决策模型：给它信息和预先定义的问题，它返回可直接使用的判断结果及概率。

先看一个客服工单分类的例子。用户发来消息：“订单显示已经送达，但我没有收到包裹。”系统需要判断这条消息属于哪一类：物流问题、退款申请、商品咨询。

程序把用户消息和三个类别交给 Jev，询问：“这条消息的主要诉求属于哪一类？”Jev 返回选中的类别及各类别概率，程序据此将工单转交相应客服。下面用一组构造的数值说明这个过程，并非实际调用结果。

在这个例子中，Jev 负责判断工单类别，程序负责分配工单。 分类只是其中一种用法：Jev 还支持按预设等级评分、判断命题是否成立，分别对应下面的 Choice、Score 与 Noul。第 4 章再讨论这些判断如何用于导航。

2.1 从生成回答到返回有界决策

“System One”借用了快思考 / 慢思考的比喻。在这里，它首先描述一种软件接口和任务分工，不应理解为已经证实的认知机制，也不意味着所有生成式 LLM 都只能做慢推理。

调用 Jev 时，应用提供 state，并通过问题定义可能的答案。模型返回结果，代码再决定如何使用。其三种原语如下：

Score 可以位于两个等级之间。例如等级位置为 0、1、2，概率为 0、0.6、0.4，则 score = 1.4，而非必须选中整数等级 1 或 2。这是模型在等级上的分布摘要，不是物理测量值。Choice；Score；Noul

同一个工单分类场景，按官方字段组织成请求如下。它与图 1 对应，用于说明接口，未实际调用。

{
  "model": "jev-1.13.0",
  "state": "用户消息：订单显示已经送达，但我没有收到包裹。",
  "questions": {
    "ticket_category": {
      "type": "choice",
      "instructions": "根据用户明确表达的主要诉求，将工单归入最匹配的类别。",
      "criteria": {
        "logistics": "物流问题：配送进度、送达状态或包裹未收到",
        "refund": "退款申请：用户明确要求退还款项",
        "product": "商品咨询：商品规格、功能或使用方式"
      }
    }
  }
}

同一 state 上的问题可合并请求并分别求值；这里的“独立”指不需要依赖其他问题的返回结果，不表示它们在统计上互不相关。需要先读取上一步结果或获取新观测的问题，应分步处理。类型约束减少自由文本解析问题，但不免除请求失败处理、结果校验和执行条件检查。

2.2 为什么可能更快：接口事实与内部架构要分开

普通生成式调用读入上下文后，再逐 token 输出回答；如果需要长推理或解释，这部分串行计算会增加延迟。Jev 的公开接口不返回生成式解释，官方描述其通过并行采样在同一请求中给出多个类型化结果。发布文

“一次请求返回全部结果”不等于已经公开证明“内部只有一次前向传播”。 目前本文核查的材料未完整披露 Jev 的网络结构和执行路径。因此可以讨论省去自由文本解码与多问题并行的意义，却不能把社区编码器、决策头或 logits 读出的实现直接当作 Jev 的真实内部结构。

官方发布时报告端到端响应 70–500 ms，并给出针对其 System One 任务的加速对比。这些数字依赖输入、问题数量、网络与对照模型设置；不能拿长推理模型的耗时，推导 Jev 对所有短答案基线都具有相同倍数优势。官方速度说明

后文开源方法可以直接检查是否单次读出、是否多次去偏、是否共享前缀。公平评测应分别记录输入编码、模型计算、通信与后处理，并包含短答案生成、候选读出和分类器基线。无需生成长解释，不代表完全不需要理解输入，也不意味着模型一定更准确。

2.3 概率、confidence 与校准不是一回事

先区分三个概念，否则后文的阈值和调度容易混淆：

官方明确说明 confidence 由已返回的分布计算；Noul 不另外携带这一字段。实际系统可以读取完整分布，并评估何种不确定性统计量适合本任务。Confidence 文档

以多分类的 top-label 校准为例，用每个样本最高的候选概率分桶，比较桶内平均概率与准确率：

这里的 $\overline{p}_{\max}$ 是所选项概率的平均值，不是未经定义转换的 API confidence。对二元命题，也可用预测为真的概率 $p_i$ 和标签 $y_i\in{0,1}$ 计算：

ECE 依赖分桶方式和样本量；Brier 衡量概率预测误差，也受区分能力影响，不是只测校准。多分类与二元任务的定义应明确，不能跨论文直接排列数值大小。

对导航而言，“更集中”与“更可靠”需要用目标任务数据建立联系。选路、到达和恢复的错误代价不同，不能共用一个未经检验的阈值；校准良好也不能替代对地图、障碍与命令有效性的检查。

2.4 RLCD：训练目标已说明，完整配方仍未知

TypeSafe 将其训练方法称为 RLCD（Reinforcement Learning for Calibrated Decisions），公开强调输出决策与概率，并使概率对应实际结果。相较于 RLHF 的偏好目标，这体现了不同的优化重点；但不能把 RLHF 简化成必然过度自信，也不能因为采用 RLCD 名称就断言输出已经可靠。官方 AI primer

在本文核查的公开材料中，尚无法重建 Jev 的完整训练配方：基座、数据组成、奖励细节和优化过程都缺乏足够信息。“新架构 + 新训练方法”应作为厂商主张呈现，不能借社区实现反向补全。

对数损失与 Brier 损失属于严格恰当评分规则：在相应统计条件下，其期望最优预测对应真实分布。这提供了概率学习的理论动机，不保证有限数据、有限模型和分布迁移后的实际校准。Laya 提供了可检查的概率训练与温度校准实现，属于独立路线，不是 TypeSafe 配方的复现证据。Laya

2.5 如何阅读评测：速度、准确率、校准与稳定性

Jev 的公开评测来自不同任务、不同标签来源和不同运行环境。本文不据此给它一个统一“模型档位”，而是分别检查四个问题：

官方 workflow eval 使用外部强模型的参考预测评估业务流程；厂商也说明宣传中的高倍数收益处于预期收益的较高端。这有助于理解其目标使用方式，但不等同于人类标注基准或导航闭环实验。发布文中的评测说明

第三方材料也应带着协议阅读：

• Convex Decision Evals 使用 108 道领域四选一题，并采用匹配的选项排列。它测领域决策知识，作者明确区分这与编写或调试真实应用的能力。评测仓库
• Anthus 的 Jev / Laya 对照在相同 600 条留出样本上报告原始 ECE 分别为 0.151 和 0.107，但作者没有把这个差值单独当作 Laya 胜出；其 Brier 比较反而有利于 Jev。这说明准确率、校准与概率预测质量应一起解释。实验报告
• Laya 的项目对照有领域适配、温度拟合以及候选数量设置差异，适合研究训练收益和限制，不是统一条件下的通用排名，详见 3.3。项目结果

这些证据支持继续测试 Jev 的有界决策用途，但不足以推出“普遍达到某档 LLM”“所有任务都需要相同校准方法”或“某种错误绝不会发生”。可复现比较需要保存模型版本、问题文本、候选集合、标注来源和运行环境。

2.6 能力边界与使用条件

“无类型错误”是输出契约上的主张，与事实正确、逻辑一致或行动安全不同。官方列出的弱项包括数值精度、多层间接推理、无关信息过多的长状态、对抗内容与矛盾条件。Jev 1.13 局限

这对导航产生几条直接约束：精确坐标与碰撞计算留给几何模块；历史应按问题检索与裁剪；需要新计划或解释时保留生成式模块。代码拥有否决权能阻止部分错误执行，但增加判断层也可能带来误拒绝、延迟和任务停滞，不能称为“最坏等同没有它”。

下表为 2026-09-26 核查的官方配置快照；别名、价格与限流可能变化。Models

价格是服务计费政策，不能仅由“没有生成文本”推导。做研究时应固定版本并记录实际返回的模型 ID；输入语言与场景变化也应单独评测。

2.7 从单次判断到 Agent：已有应用提供的线索

已有论文展示了 Jev 可以怎样嵌入系统。本节只保留角色与证据边界，记忆机制和导航迁移在第 4 章展开。

这些工作的共同线索是判断模块与生成 / 执行模块分工，而不是用 Jev 包办整个 Agent。REFLEX 的有限优势尤其提醒：后续导航实验需要与规则、小模型和廉价级联比较，而不只与“每一步都调用最强模型”比较。

3. 从 Jev 接口到开源实现：四类技术路线

托管 Jev 只收文本，但“有限候选 → 类型化结果”并不限定某一种骨干。社区方法可以改变读出方式、训练部分参数、复用共享计算，也可以接入视觉与音频。相似接口不代表相同模型，更不代表已经复现 TypeSafe 的训练与能力。

本章按技术路线组织项目，而不把它们排成一张性能榜。以下结果均来自论文或项目作者报告，本文未独立复现；不同硬件、数据与训练条件下的延迟和准确率不能直接比较。

3.1 路线总览：改变读出、训练能力、共享计算或接入感知

这些路线可以组合，不是由上到下越来越先进的阶梯。AnyJev 同时包含无标签与拟合读出头的模式；Visual Jev 同时包含任务适配与执行共享。因此，“是否训练”“是否生成”“是否多模态”和“是否复用前缀”应作为独立维度记录。

3.2 不训练骨干：候选读出能带来什么

生成式 LLM 原本会在词表上预测下一个 token。如果把答案限制为少量标签，就可以只读取这些标签的 logits，再归一化为候选分布。通常需要先把候选映射到可直接读出的标签 token；若标签跨多个 token，则需另行定义序列评分或读出方式。这样避免生成解释，也减少答案格式不合法的问题，但候选条件分布不自动等于经过目标任务校准的概率。

AnyJev 提供了几个可分开考察的层次：raw 直接读出；L0 使用选项循环移位与标签先验修正；L1 再拟合温度；L2 则从隐状态拟合读出头，已不属于完全无标注的方法。在作者的 BANKING77 20-way、300 测试项设置中，raw 到 L1 的准确率由 0.747 变为 0.807，ECE 由 0.240 变为 0.095；不能把它写成完整 77 类任务的通用结果。AnyJev

这里有两个容易遗漏的代价。第一，L0 的排列去偏涉及多个输入排列，单个读出不生成文本，并不意味着完成整次去偏只需一次模型计算。第二，温度和读出头需要数据，其拟合与测试应分离。即使服务端将这些计算批处理，也应报告总计算量与端到端延迟。

这条路线最适合作为接口收益的基线：如果不训练就能明显减少格式错误与生成成本，便可以先研究读出；若准确率仍受限，再研究训练。它不能凭空补上模型缺失的视觉知识、长程规划或正确候选。选项顺序与标签偏差也应单独检查，相关问题早于 Jev 已被研究。PriDe

3.3 引入训练：小决策头与骨干适配解决不同问题

冻结骨干、训练小头保留大部分预训练表示，只学习怎样将这些表示转成任务答案。minojev 采用冻结 Qwen3-1.7B 与小型决策头，其作者报告领域内收益，同时公开未见领域准确率 31.7%、低于生成式基线 40.0% 的结果。它说明任务专精和跨域泛化必须分别测，不能由少量领域内结果推断通用能力。minojev

训练编码器决策模型允许更广泛地适配表示。Laya 基于 ModernBERT 等预训练编码器构建决策模型，不宜称为从随机初始化“从头训练”。在其 2,000 个 typed-decisions 上，领域适配 checkpoint 报告准确率 0.766，基础英文 checkpoint 为 0.362，Jev 对照为 0.727。这里最直接的证据是同一项目适配前后的变化；其其他对比还涉及温度拟合、输入预算和候选数量差异，不能统一解释为超过 Jev 的通用能力。Laya

微调已有 LLM 的候选读出则保留语言骨干结构，通过 LoRA 等方式适配任务。Open-Jev 在合成诈骗通话的 41 个留出场景、577 次逐轮判断上报告 AUROC 0.974，单次决策 64.5 ms，比同骨干生成式微调低 4.9 倍延迟；作者同时指出，微调 ModernBERT 并未显著更差，配方选择接触过测试集。这是一项有具体应用和局限的研究，不支持“专用读出必然提高准确率”。Open-Jev

所以，训练是否必要取决于任务，不能总结成“准确率只来自微调”。接口约束可能改善合法输出，标签设计和候选集合也会影响结果；训练的贡献需要在匹配条件下测出来。

3.4 接入视觉：图像信息、任务适配与执行复用要分别分析

3.4.1 视觉证据不应被误算成接口收益

PixelJev 将图像、指令和动态候选集接到开源多模态骨干，并分别测试冻结推理、少样本适配和校准。在 Pets 上，其 2B 模型从 60.13% 提升至 92.40%；匹配对照将主要收益归因于适配。作者同时报告专用 DINOv2 探针仍更强，部分任务上冻结 4B 优于适配 2B，准确率提升也不保证迁移后的概率校准。PixelJev

对导航的启发是：从“感知摘要 + 文本模型”切换到“图像 + VLM”，同时改变了输入证据与模型能力。要证明有界接口的作用，应在同一视觉骨干、同一候选集下比较生成与读出，另行测量视觉信息相对文本摘要的收益。

3.4.2 同一图像上的多道题，可以共享部分计算

Visual Jev 将图像与公共上下文编码一次，再批量执行隔离的问题后缀，从现有 LM 头读取候选概率。作者在每图 32 个问题的设置中报告暖态摊销时间相对独立串行快 8.9 倍、相对重复前缀的批处理快 3.4 倍；代价是更高峰值显存。匹配的类型化头对照没有显示一致准确率优势。Visual Jev

它支持的是共享输入下的执行优化，不是每一步机器人控制都能获得同样加速。每张新图是否可以复用、问题是否相互依赖、批次能否及时凑齐，都会影响实际收益。摊销每题时间也不能直接当作一次完整决策的响应时间。

这使“在哪一层共享”成为独立研究变量：多个问题共享图像，多个候选共享状态，或者多个模块共享提取出的证据。共享减少重复计算，但不改变证据本身是否正确。

3.4.3 从视觉问答到动作策略，还需要闭环数据

Laya Vision 基于 SmolVLM-256M 进行视觉决策训练，报告 L4 上约 34 ms 的中位延迟，同时观察到游戏能力和视觉推理之间的训练取舍。PlayJev 使用 Qwen3.5-0.8B，通过行为克隆与 DAgger 学习游戏动作选择，训练还打乱动作顺序以降低位置捷径。Laya Vision；PlayJev

二者说明视觉输入可以接入有限动作决策，也提示离线问答准确率不足以描述行动能力：策略会进入自己选择造成的新状态，错误会累积。游戏结果不能直接外推为真实机器人导航性能，设备上的短延迟也不等于机载功耗、显存与可靠性均满足要求。

工程上，Jev Visual展示了共享图像与候选打分；jev_navigation将 decider-2b-vision 接入 ROS 2 路径选择。它们有助于研究接口，但“能看图并选择”与“已验证的导航策略”之间仍有距离，具体证据见 4.5。

3.5 外挂感知与其他模态：保留了什么，又丢失了什么

对于托管 Jev，图像或语音需要先转换为文本或结构化字段。例如 jev-vision用检测结果与场景上下文做消歧；typesafe-computer-use使用 OCR；jev-canvas结合转写与位置选择操作。这条路线的优点是职责明确，但未提取出的视觉细节不会因为后面接了 Jev 而恢复。

另一种做法是直接从模态编码器读出决策。Prosodia以冻结 Whisper 编码器处理语音属性，避免先转写再判断。它说明生成文本不是所有模态任务的必要中间步骤，但具体任务需要的信息可能不同：声学属性与语言内容并不等价。

因此，多模态扩展不能概括为“换一个编码器即可”。还需要任务数据、模态对齐、候选定义、概率评估和部署验证。图像压缩成语义状态有信息损失，直接看图则有视觉计算开销，取舍应通过目标任务测量。

3.6 综合判断：性能究竟来自哪里

前述工作可以归纳为四类来源，但每一类都需要自己的消融：

现有研究不要求所有方法都使用专门决策头，也不支持“只要不生成就一定更快、更准、更可信”。比较时应固定能固定的变量，明确优化的是延迟、准确率还是概率质量，且单独核对代码与权重许可。

对具身导航而言，本地视觉决策模型是一条可研究的实现路线，而不是已经成立的“机载 Jev”。下一章将这些机制放到具体职责中：行动比较能否减少无效生成，记忆控制能否找到更有用的证据，模块调度能否把有限计算用在更需要的时刻。

4. Jev 与具身导航：从行动决策到 Agent 协作的研究机会

Jev 对具身导航的价值，不能只用“每次调用快了多少”来衡量。更值得追问的是：导航系统中哪些环节需要生成和推理，哪些环节只需要在已有证据上做判断？如果将两者分开，能否在保留任务能力的同时，减少不必要的计算与错误？

本章围绕三类问题展开：行动决策、记忆管理、Agent 内部协作。前两者分别决定“怎么走”和“查什么”，第三者指单个导航 Agent 对感知、记忆、规划与推理模块的调度，决定“现在应该行动、回忆、补看，还是深度推理”，不涉及多 Agent 通信与协商。贯穿例子是“回到刚才看见杯子的房间，在门口停下”，用它说明三类能力如何共同完成长期导航。

需要先划清证据边界：导航论文为接口设计提供依据，Jev-Mem 提供通用 Agent 记忆实验，社区项目展示部分机器人接入。下文将这些工作迁移到导航的方案属于研究设想，尚不是 Jev 已验证的导航能力。

4.1 为什么导航值得引入 System One 决策模型

4.1.1 一次长程导航包含许多不同难度的判断

理解“穿过厨房，再到客厅窗边”可能需要指令解析和场景推理；但当机器人已处于通往客厅的走廊时，每一步未必都需要重新生成一段完整计划。它可能只需比较两个路点、判断地标是否匹配，或确认当前子目标是否已完成。

采用逐步生成式决策的导航系统，会在这些难度不同的问题上反复付出读上下文、生成和解析的成本。VerNav 与 AdaNav 分别从“用验证替代常规生成”和“按不确定性触发推理”切入，说明研究重点已经从单纯增强推理，转向把推理用在有收益的时刻。VerNav；AdaNav

Jev 为这一方向提供了一种具体的决策接口：给定状态和有限答案空间，直接返回判断与概率。研究中要同时记录调用耗时与判断错误引起的走错路、回退和重复调用。

4.1.2 长期任务的成本不只来自动作选择

“回到刚才看见杯子的房间”至少包含三类不确定性：

这三类问题不能全部压成“选一个动作”。目标房间不确定时，立即选路可能放大记忆错误；目标明确但被遮挡时，继续检索历史未必有用；路径暂时受阻时，也不一定需要重新理解整条指令。

因此，一个有意义的研究目标是：用低开销的有界判断，减少导航过程中的无效行动、无效检索和无效推理。 除调用延迟外，还应关注绕路、重复探索、错误停止与总任务耗时。

4.1.3 区分 Jev、System One 接口与导航模型能力

本文使用“Jev”时，指 TypeSafe 的托管文本决策模型；“视觉 System One”则指第 3 章的视觉派生或同类方法。原生 Jev 需要上游先把视觉观测转成语义状态，本地视觉模型可以直接处理图像，两者可用的信息与部署成本不同。

研究中至少要分开三个变量：接口是否从生成改成判断，模型是否经过导航训练，以及输入是否增加了视觉证据。 如果同时更换这三者，实验即使变好，也无法知道收益从何而来。“System One”本身不会自动提供空间理解、导航记忆或领域校准。

4.2 行动决策：从生成动作到比较与验证

4.2.1 候选比较改变的是模型与机器人的分工

一种做法是让大模型直接描述下一步动作，甚至输出坐标；另一种做法是由机器人先构造可执行候选，再让模型比较。后者把度量计算、动作幅度和执行约束留给机器人，把语义判断交给模型。

C²Nav 对此进行了直接研究：空间选择、指令阶段转换和终止判断都采用比较式接口。在 OpenNav R2R-CE 100 协议上，Qwen3-VL-8B-Instruct 版本的 SR 为 31.0%；将三个决策位置分别改回数值式 / 绝对式问法后，SR 降至 12.0%、28.0%、21.0%。结果支持“问题形式会影响导航表现”，但并不证明模型能力可以被接口替代。C²Nav

对 Jev 而言，这类任务可以自然表达为 Choice：在“前往左侧门口”“继续走廊”“停下补看”中选择。但候选必须来自地图、感知或规划器。候选集中没有正确行动，模型选得再准也无法完成任务。

O2C-Nav 则提供视觉候选的参照：将带历史信息的候选路点投影到 RGB 图像，由 MLLM 选点，低层 FMM 规划器执行；候选不足时还可生成备用目标框。若迁移到闭集视觉决策模型，需要保留或重做这个备用分支，不能只替换选点模块就假定整个方法等价。O2C-Nav

由此形成第一个研究问题：在相同感知和候选集下，非生成式选择能否保留生成式模型的导航质量？ 难点不仅在平均准确率，还在困难场景中是否能识别“这些候选都不足以解决问题”。

4.2.2 比较哪个更好，与验证能否接受，可以分开

候选比较回答“哪一个相对更好”；动作验证回答“它是否值得执行”。当所有候选都不好时，最高概率选项依然存在，因此还需要拒绝或补证据机制。

VerNav 用批量动作验证替代常规逐步生成，在不确定时再由生成器提供紧凑证据。其 verifier-only 路径在离散 R2R 上实现超过 10 倍的平均单步决策阶段 LLM 延迟降低；同时，验证器经过偏好对齐和逐步强化训练。这支持验证优先的路线，不能直接推导出零样本 Jev 替换后的效果。 VerNav

对 Jev 的迁移可以研究两种分工：直接从候选中选择，或先对候选做有界验证，再由程序决定接受、重选或升级。后一种分工有利于暴露“拒绝行动”的条件，但也可能增加调用成本。值得验证的是，在相同预算下，多一次验证能否减少更昂贵的执行错误。

4.2.3 进展和到达判断，比普通选路更容易积累错误

导航不是独立选择题的集合。一次错误转向可能通过后续观测纠正；一次错误到达判断却可能直接结束任务。C²Nav 将进展与终止判断也纳入比较式设计，提示它们需要单独建模，而不是附在选路问题之后。C²Nav

这里的“停止”要区分安全停车、等待信息与任务完成。它们可能都产生零速度，但只有最后一种意味着任务结束；到达复核因此需要同时核对当前观测、目标条件和位置证据。

这一方向的创新可以落在决策粒度与验证时机上：哪些判断共享状态即可一起完成，哪些必须等待行动后的新证据；到达错误的代价更高时，是否值得采用不同于普通选路的复核策略。

4.2.4 什么情况下值得引入 Jev

若任务只是比较距离、检查障碍或判断是否落入固定区域，几何计算与规则已经给出了明确依据。若场景和标签长期固定、标注数据充足，小型分类器也应是直接的对照。Jev 更值得检验的情形是：候选随环境变化，而选择标准来自当前指令，需要把语义条件与候选证据对应起来。

例如，同样面对两个门口，“去有杯子的房间”和“回到刚才见过杯子的房间”要求使用不同的证据。这里可以测试有界接口能否在调整问题与候选描述后继续工作，以及这种适配是否比重新训练分类器更省成本。对于小 LLM，则要在相同输入和候选下比较决策质量、延迟与拒绝能力。

因而，研究对象应是具有变化语义条件的有限选择。候选质量不足时应改进上游；任务需要创造新方案时应保留规划或生成。只有在这些职责明确后，才能判断 Jev 是否增加了有效能力。

4.3 记忆管理：从保存历史到检索与更新证据

4.3.1 Jev-Mem 提供了什么新的分工

长期 Agent 不仅要保存历史，还要决定如何组织历史、检索哪些证据，以及何时停止查找。Jev-Mem 将这些高频有界判断交给 System One，再由 System Two 综合证据回答问题。其共享记忆保留原始观测，并组织语义、时间、因果与实体关系；控制器参与查询路由、预算分配、候选评分与停止。Jev-Mem

作者在 LoCoMo 上使用 GPT-4o-mini 作为回答模型，报告总体 LLM-as-a-Judge 得分 0.777（MAGMA 为 0.700）、构建耗时 158 s（Nemori 为 1,044 s）、平均查询延迟 0.93 s（MAGMA 为 1.47 s）。查询延迟包含检索与答案生成，不同指标对应不同基线。这验证的是对话记忆系统，尚不是导航实验。 作者结果表

对导航的启发在于：记忆不必只是每一步固定附加的历史摘要；它可以成为一个根据当前任务调整检索范围和深度的过程。是否值得查更多历史，本身也是一个决策。

4.3.2 导航记忆比对话记忆多了空间落地与环境变化

“曾看见杯子”只有与地点、时间和来源关联，才能支持“返回那个房间”。文本相关性高的记录，未必对应同一个空间位置；过去可通行的路线，也未必现在仍可通行。

这里应明确边界：Jev 可以帮助判断某条记忆与任务是否相关，地点匹配、坐标一致性和可通行关系仍需要定位与地图依据。语义关系不能自动变成拓扑连通边，推断的失败原因也不能未经验证就被当作事实长期保存。

因此，从 Jev-Mem 迁移到导航，研究贡献不应只是“把聊天记录换成导航日志”，而应处理记忆的空间关联、时间有效性与行动反馈。

4.3.3 从被动召回，走向任务驱动的证据选择

以杯子房间为例，固定 top-k 可能找出若干包含“杯子”的记录；任务驱动检索还要回答：哪条符合“刚才”？两条记录是否属于同一地点？当前信息能否支持返回目标，还是需要回查图像或相邻轨迹？

一个待验证的流程是：

1. 用向量、关键词、时间和地点信息找到有限候选；
2. 由 Jev 筛选支持当前任务的记录，并判断是否存在歧义；
3. 证据不足时扩大检索或回查来源，而不是立即选路；
4. 确定目标后交给规划模块，同时保留证据来源；
5. 行动产生新观测后，再检查旧判断是否需要更新。

停止检索不等于证据充分。 Jev-Mem 的停止也可能来自继续查找收益低或预算限制；导航系统需要保留这个区别，避免把“没必要再查”误写成“目标已经确定”。方法说明

这一方向有两个不同的收益目标：一是用更少计算找到同等质量的证据；二是通过更准确的证据选择减少错误返回、重复探索和绕路。两者应分别测量。即使检索速度更快，只要漏掉关键地点记录，闭环导航仍可能更慢。

4.3.4 新观测如何更新记忆：保留事实，修正关联

主动检索还需要回答一个反向问题：行动之后，新证据怎样改变可供下一轮检索的记忆？以下是本文提出的导航扩展，区别于前面介绍的 Jev-Mem 原始实验。

这里可以把记忆分成观测记录、关联假设和当前状态。观测记录保存来源；关联假设允许被修正；当前状态按时效更新，并能追溯依据。Jev 可作为判断“相关、冲突、需要复核”的候选模块，定位、几何一致性与数据库写入规则则负责约束更新。模型推测的原因应留在假设层，直到有新观测支持。

杯子房间案例中，一次错误返回不应让系统直接删除原始杯子记录。更有价值的处理是记录此次访问结果，重新检查“这条记录属于哪个房间”的关联，并在后续检索中区分已核实地点与待复核地点。这样，行动反馈才能改变下一次选择，而不是被追加成无人使用的日志。

4.3.5 何时需要语义记忆控制

若指令明确给出地点 ID 和时间区间，结构化查询或规则过滤就可能足够。值得引入 Jev 的问题是：多个候选都符合表面关键词，但需要结合任务关系、观测来源和冲突证据判定哪条有用，例如区分“刚才经过的房间”与“更早看过、外观相似的房间”。

这种判断应放在有限候选上检验。若正确记录根本没有被检索出来，就应先改善索引和召回；若相关证据需要跨多条记录重新解释，也应允许生成式模块参与。记忆控制的潜在价值在于减少无效查询和错误关联，其代价包括额外调用、提前停止和错误更新。检索与更新应分别消融，避免把更好的记忆库误归因为更好的查询控制。

4.4 Agent 内部协作：何时行动、回忆、观察与推理

4.4.1 不确定时，调用更强模型只是一个选项

在长程任务中，困难可能来自不同原因：场景没看清、目标记错了、路线失效了，或者指令本身有歧义。只根据一个低置信信号升级到强模型，可能花费更多计算，却没有补齐真正缺失的信息。

AdaNav 通过不确定性相关信号学习何时触发显式推理，为按需计算提供了导航中的依据。但“是否推理”之外，还有更宽的选择空间：继续行动、检索记忆、主动观察、重新规划或请求澄清。将这些操作视为有限候选，是本文提出的 Jev Agent 调度方向，尚待验证。AdaNav

表中的对应关系只是启发式起点，不是已知最优调度规则。真正的研究问题是：Jev 能否根据状态与有限反馈，选择比固定流程更有价值的下一次计算或观察？

4.4.2 把三类决策放进同一个 Agent

图 5 给出研究层面的分工。任务规划器维护目标，感知和记忆提供证据，Jev 式决策层决定下一步操作，执行结果再成为新证据。感知、地图与检索器仍由各自模块实现；“控制检索”不意味着 Jev 自身存储或读取数据库。

下面用一段构造的任务过程说明三类判断如何衔接。它用于解释研究问题，不是实验轨迹或模型实测输出。

这段过程中的规则可以作为初始基线。研究调度器时，需要比较它在何处作出不同选择，以及这种差异是否减少了错误返回、无效调用或任务耗时。调度器的价值在于选择有用的下一步；调用更强模型本身不构成成功。

ABot-N1 的慢 VLM 与快动作专家说明任务推理和运动生成可以分工，但其中快系统输出连续路点，职责不同于 Jev 的类型化判断。因此，本文的协作设想是拆出适合比较或验证的环节，而不是用 Jev 替代整个动作专家。ABot-N1

4.4.3 调度要同时考虑收益、代价与时间

是否值得再查一轮记忆、再拍一个视角或再调用强模型，取决于它可能减少多少不确定性，以及为此付出多少时间和行动成本。作为研究目标，可以写成：

这里，$m$ 是当前允许的操作，$\Delta Q_{\mathrm{task}}$ 表示对任务结果的预期改善，$T_m$ 和 $C_m$ 分别表示时间与其他成本。这是用于界定问题的目标表达，并不是 Jev 已具备的价值估计器；如何获取收益标签、如何处理未知模块耗时，都是研究的一部分。涉及运动的操作还须先满足独立的可行性约束。

时间也会改变证据价值。Slow Brain, Fast Planner 通过几何相似度与时间衰减，将迟到的 VLM 选择融合进实时规划，说明“如何使用晚到结果”与“让模型更快”同样重要。Jev 即使降低调用延迟，仍需研究旧观测、旧候选和新状态之间的关系，不能默认异步结果一直有效。Slow Brain, Fast Planner

从概率判断到操作收益，还需要目标任务上的验证。VLA 校准研究与VLM 口头置信度研究研究的是不同信号；KnowNo的统计保证也有其校准与分布假设。对 Jev 的具体问题是：这些概率能否帮助判断“何时继续、何时拒绝、何时求助”，以及在场景变化后是否仍有效。

4.4.4 调度模型应该处理哪些规则难以覆盖的状态

超时、预算耗尽、命令无效等条件具有明确边界，适合由程序直接处理。对于“已找到目标但暂时受阻”，固定调用规划器也可能足够。模型调度更值得检验的状态，是同一种失败表象可能对应不同的信息缺口：没有找到杯子，既可能需要换视角，也可能需要回查地点，或重新解释指令。

调度输入因此不能只有一个置信度数值，还应包含已有证据、未满足的任务条件、近期操作与结果、可用模块及剩余预算。Jev 是否能利用这些信息选择下一步，是与规则、轻量路由器和小 LLM 比较的核心；输出格式相同并不意味着路由能力相同。

难点在于“最有价值的下一步”通常不是现成标签。离线可以根据标注的信息缺口检查选择是否合理，闭环则要考察一次操作是否实际带来进展。若模型只是更频繁地调用全部模块，成功率提高也必须连同额外时间和观察成本解释。

4.5 已有工作与证据边界

围绕以上三条路线，已有材料可以分为三类。它们回答的问题不同，不能把指标放在一起当作同一种能力。

社区项目中，与本章关系最直接的实现如下。结果为作者报告，本文未独立复现；仓库仍在更新。

尤其需要检查对照策略的能力是否一致。例如，jev-drone 成功示例中的规则基线无法表达越障机动，收益就不能全部归因于 Jev 判断更准。作者结果与限制

目前最明确的缺口是：在固定感知、候选、记忆与执行模块后，分别检验 Jev 的行动判断、记忆控制和模块调度，观察收益是否延续到导航任务结果。 这也是下一节提出研究问题的依据。

4.6 值得开展的研究问题：从模块替换走向机制验证

前面的分析指向三个可以独立研究的贡献。它们都是待验证的方向，不意味着已有方法未研究过类似问题；相关工作提供的依据与局限统一见 4.5。

行动路线适合作为起点：接口与错误类型较容易界定。记忆路线值得进一步深入：它将 Jev-Mem 的启发落到导航特有的地点、时间与行动反馈上。模块调度适合在模块能力明确后展开：只有知道每个模块能解决什么，才能评价调用是否有价值。这是本文对研究顺序的建议，而非效果排名。

三条路线可逐步组合，但单模块有效不保证组合有效。例如，检索控制提前停止会影响后续行动；调度器增加补看也可能改变记忆质量。第 5 章先设计独立实验，再讨论这些交互。

5. 如何验证：三个最小实验与联合评测

5.1 共同协议：先定义什么结果算有收益

三个实验分别只改变行动判断、记忆控制和模块调度。它们共用一套记录原则，但不把所有模型、输入和接口组合成全因子实验。

先分清两种比较。 托管 Jev 与规则、分类器或小 LLM 的比较，衡量同输入条件下的系统收益；由于骨干和训练未知，不能将差异归因为某种内部架构。研究“生成改为候选读出”的机制，则另选可检查的开源骨干，固定权重与输入做配对比较。原生 Jev 的文本状态构建成本必须计入，原始 RGB 只用于单独的视觉实验。

质量和效率分别判定。 对强调提速的实验，在验证集上预先确定任务质量允许下降的范围，并在测试前锁定阈值、预算和评价规则。若质量损失超出范围，即使更快也不支持“保留能力的提速”；若质量合格但端到端耗时没有改善，则不支持效率主张。若质量提高但更慢，应报告为质量与时间的取舍。

采用配对任务与完整成本。 各方法使用同一组场景、指令和随机种子，报告样本数、失败样本与置信区间。数据按场景或轨迹划分训练、校准和测试，避免把同一段历史拆入两侧。计时覆盖状态构建、模型调用、通信、检索及回退；同时报告总任务耗时，不能只看一次成功 API 调用的平均值。未完成和超时任务按预设规则计入，并单列其耗时，防止提前失败看起来更快。

需要训练的分类器或路由器，应报告可用标注量与适配成本；提示词调整和阈值选择也限定在训练、验证数据上。这样才能区分固定任务表现与迁移到新任务的成本。

下列指标按实验需要选择，不要求每个实验全部测量：

5.2 实验一：到达判断与拒绝

研究问题： 在相同目标与观测证据下，有界判断能否减少决策耗时，同时避免更多错误停止？先选“是否完成任务”这一个决策位置，能够把终止错误与选路错误分开。

客观完成状态由任务条件与环境真值确定，真值仅供评价，不进入模型输入。证据充分性由独立标注者按预定义依据判定，不使用待测模型自标。即使机器人实际上已经到达，给定图像或语义状态也可能不足以确认；这类样本用于检查拒绝是否合理，不能只按“未输出完成”统计为普通分类错误。闭环中则仍需统计拒绝造成的延误与未完成。

Jev 可以用包含“证据不足”的 Choice 表达这一契约。若另测 Noul 加阈值的版本，应作为独立接口消融，在验证集上选阈值；不能把 Choice 的最大概率和 Noul 概率直接套用同一阈值。

先在回放中检查错误类型，再用同一组闭环任务检验是否改变最终结果。下一步才扩展到候选路点比较：固定 3–8 个经几何过滤的候选，比较选择与拒绝。不要在首个实验中同时改变终止判断、候选生成和选路模型。

5.3 实验二：固定记忆库上的目标证据检索

研究问题： 对“回到刚才见过杯子的房间”这类指令，Jev 控制检索能否在保持证据质量的同时减少查询开销，或减少目标地点关联错误？

结果应区分两层：找到支持记录是检索收益，正确返回才是导航收益。闭环阶段固定行动模块，并把所有查询的开销计入任务总成本。记忆构建成本与查询成本分别记录，长期任务再按实际使用次数汇总。

记忆更新作为后续独立实验。 首轮冻结记忆库，是为了先识别检索控制的贡献。更新实验固定检索与动作策略，重放同一批新观测，比较规则更新与模型辅助关联更新；检查错误合并、过期状态引用、证据来源保留，以及下一轮检索表现。再进行闭环测试，避免用不同机器人轨迹产生的记忆库直接比较更新能力。

5.4 实验三：固定模块下的下一步操作选择

研究问题： 当前信息不足时，根据证据缺口选择下一操作，能否比固定流程和单一置信度门控更有效？

离线标注可说明某种信息缺口适合哪些操作，但不应强行指定唯一最优下一步。例如，地点歧义可能通过回查图像或获得新视角解决；是否有效还取决于代价与实际观测。离线结果用于筛查明显错误，最终以相同预算下的闭环结果判断。

预算既包括调用与 token，也包括观察动作和运动耗时。补看能获得新信息，但并非免费；同样的工具调用次数也未必代表相同成本。主实验先固定一组预算，再在扩展实验中绘制质量随预算变化的曲线。

5.5 扩展实验：压力测试与模块组合

三个最小实验中，已经暴露的失败可以用对应压力测试定位，不必一开始就覆盖所有组合。

异步轨迹融合、原始 RGB 与语义状态的对照、导航数据适配，以及不同机载设备上的部署，应在基础结果明确后分别开展。复现 4.5 的社区项目可帮助检查接口与执行实现，但不作为完成三个最小实验的前置条件。

最后再组合模块。若某个单模块有效，先加入下一个模块，并保留“仅行动判断”“仅记忆控制”等对照；只有需要解释交互时，再扩大组合消融。重点检查收益是否依赖额外证据、调用或预算，以及错误记忆是否经调度和行动反复放大。

6. 结论

最适合先验证的是边界明确的行动判断。 从到达与拒绝开始，固定证据和执行模块，才能检验 Jev 是否在保留任务质量时减少开销。有界接口便于程序使用，但实际收益取决于判断质量、状态构建和复核成本。

值得进一步深入的是带空间、时间与来源约束的记忆控制。 Jev-Mem 提供了通用 Agent 的先例；导航中的关键扩展是正确关联地点、区分历史与当前状态，并让行动反馈修正后续检索。研究贡献需要体现在证据质量与返回任务上，而不止于更快地检索文本。

完整 Agent 最难的是判断下一次操作是否值得。 感知、记忆、规划与推理应提供互补证据；调度器需要在预算内促成进展，并处理错误传播和无效循环。本文因此建议按行动、记忆、调度逐步验证，再研究组合，而不是由接口演示直接推断完整导航能力。

持续跟踪

• TypeSafe 的架构、RLCD、模型版本与多模态进展，以及独立的校准和鲁棒性证据。
• 固定协议下的导航实验与社区复现，尤其是状态构建、通信和回退计入后的端到端结果。
• 空间记忆更新与模块调度在长期任务中的效果，以及单模块收益能否延续到组合系统。

参考资料

官方资料与入门解读

1. TypeSafe AI. Introducing System One Models and Jev. typesafe.ai/blog
2. TypeSafe AI. 官网与 workflow eval：typesafe.ai；evals.typesafe.ai
3. TypeSafe Docs：Introduction、Models、Primitives、State、System One、Jaggedness: jev-1.13
4. 第三方入门解读：MindStudio. Jev Explained. mindstudio.ai

派生模型

1. Laya. NandhaKishorM/laya
2. AnyJev. nokia-applied-research/AnyJev
3. minojev. zeredy879/minojev
4. Laya Vision. r33drichards/laya-vision
5. PlayJev. OmniJev/PlayJev
6. Jev Visual. hr98w/jev-visual
7. Prosodia. alperiox/audio-jevlike
8. jev-vision. JeremyEltho/jev-vision

9. 项目汇总：cobanov/awesome-jev；AbdelStark/awesome-typesafe-jev

10. Nokia AnyJev 报道. MarkTechPost
11. decider-2b-vision 与 ROS 2 集成. NOPLAB/jev_navigation

派生模型论文（arXiv）

1. Ren et al. Open-Jev Judgments on CallScreenBench: Calibrated One-Pass Scam Screening with a Small Language Model. arXiv:2609.23959
2. Yu, Yao. Visual Jev: Accurate and Efficient Decisions from Shared Visual Context. arXiv:2609.25845
3. Zhou, Yang, Zhao. From Text Decisions to Pixels: A Study of Jev-Style Visual Choice Model. arXiv:2609.29283
4. Piskorz, Kobalczyk, van der Schaar. Eliciting Numerical Predictive Distributions of LLMs Without Autoregression. ICLR 2026. arXiv:2603.02913

Jev 应用论文（arXiv）

1. Jiang, Li, Li. Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents. arXiv:2609.23986
2. Wu, Lim. REFLEX with Jev for Efficient Selective Control in LLM Agents. arXiv:2609.26532
3. dos Santos. Calibrated Decision Models for Autonomous Penetration-Testing Harnesses: JEV and Laya as System One Decision Layers. arXiv:2609.28940

独立评测与资料汇总

1. 多来源评测综述（非单项实验）：Jev After Eight Days of Independent Tests
2. Convex Decision Evals
3. Jev vs Laya: Same Labels, Same Questions
4. Nautilus 校准研究
5. jev-orderby-bench
6. Jev Does Not Play Dice

导航与校准研究（arXiv）

1. C²Nav. arXiv:2609.15142
2. VerNav: Verifier-First Low-Latency Vision-and-Language Navigation. arXiv:2609.00920
3. O2C-Nav. arXiv:2609.06476
4. Peng et al. Slow Brain, Fast Planner: Latency-Resilient VLM-Augmented Urban Navigation. arXiv:2606.20458
5. Ding et al. AdaNav: Adaptive Reasoning with Uncertainty for Vision-Language Navigation. arXiv:2509.24387
6. Gong et al. ABot-N1: Toward a General Visual Language Navigation Foundation Model. arXiv:2607.10383
7. Zollo, Zemel. Confidence Calibration in Vision-Language-Action Models. arXiv:2507.17383
8. Yang et al. The Mirage of Calibrated Confidence: Trajectory-Independence of Verbalized Confidence in Vision-Language Models. EMNLP 2026. arXiv:2609.18453
9. Ren et al. Robots That Ask For Help: Uncertainty Alignment for Large Language Model Planners (KnowNo). CoRL 2023. arXiv:2307.01928
10. Zheng et al. Large Language Models Are Not Robust Multiple Choice Selectors (PriDe). ICLR 2024. arXiv:2309.03882

具身 demo

1. JEV_SMARTROBOTCONTROL；jev_navigation；jev_fsd；jev-drone；Embodied Jev；JevPilot