你早上打开邮箱，一封要紧的邮件躺在垃圾箱里。没有人提示，也没有人向你解释，它就是被判定成垃圾了。
这类判定每天都在发生，量非常大。信用卡申请几秒钟被拒，简历在系统里没被任何人翻开就被筛掉，一条评论发出去之前先被机器过了一遍，这已经是一套很成熟的判定流程。
这两年，不少这类系统把判断交给了大模型。可大模型本来是写东西的。你让它判断一封邮件，它默认会先讲一段：发件人地址可疑，正文里有催促话术，用词和已知的垃圾邮件很像，综合来看判定为垃圾邮件。但你只需要它回答是或者不是。
当然可以让它别啰嗦，提示词里写明只回是或否，它一般也照做。这么干只是把吐出的话砍短了，拿到手的还是一个词。这个词背后有几成把握，它没说，你也不知道。而且这是你额外要求的，哪天它多说两句，你的程序就得去解析或者报错。
再说为了判断这一个字，你动用的是一个什么都会的大家伙，会写诗，会解方程，会改代码，而你只要它说是或不是。
一封邮件看不出问题，十万封就看出来了，一百万封会变成成本表上一笔显眼的钱。
九月中旬，一家叫 TypeSafe AI 的创业公司发了一个模型，叫 Jev，专门处理这个事情。你递给它一个问题和几个选项，它回你每个选项的概率，不陪你聊天。
他们管这类模型叫 System One，借用了心理学家卡尼曼那本《思考，快与慢》里的说法。人脑有两套系统，系统二慢，得一步步想，写代码、写文章靠它；系统一快，看一眼就有判断，认出熟人的脸，听出对方语气不对，靠的都是它。聊天模型和推理模型更像系统二，决策模型想做的是系统一。
它很快就火了。有投资人拿它做了个实测：98 封人工核对过答案的真实工作邮件，让它分类，准确率 80%，他原来生产环境里用的那个模型是 47%，成本还低了七十多倍到两百多倍。样本不大，算不上定论，但他已经把自家 Agent 里大约四分之一的调用换成了这类模型。
Jev 发布两周后，OpenAI 推出了做同一件事的接口，又过了一周多，微软也发了自己的决策模型。三周，三家。TypeSafe 在产品上线第二十四天完成了 8.7 亿美元融资，估值 75 亿美元。几家的定价也长成了一个样子，只按你喂进去的内容收钱，吐出来的分数不收钱。
这些差别都还算好懂。让它们成了一个新品类的，是给出来的是分数而不是结论。别小看这一点，后面的东西都是从这儿来的。
分数拿来干什么
普通人没有概率的直觉，光说给你个分数，脑子里是空的，得看它拿到分数做什么。
拿一套处理申请的系统举例。分数高过某条线的自动通过，低过另一条线的自动拒绝，夹在中间的转人工。三档划分好，流水线就跑起来了，人工只需要看中间的那一档。
这个用法也不新鲜，银行和保险业用几十年了。新鲜的是现在能打分的东西变多了，而且变得特别省事。
银行的打分卡吃的是结构清楚的字段，收入多少，逾期几次，年龄几岁。而一封邮件是不是在骗你，一条评论是不是在阴阳怪气，一份简历跟这个岗位搭不搭，这些写不成字段。
硬规则，关键词黑名单，正则匹配，这些能处理一部分，问题是太死，换个说法就漏了，写规则的人永远追不上造词的人。
后来有了专门判文本的模型。垃圾邮件过滤从上世纪九十年代末就开始用统计模型算概率，2018 年以后，BERT 这一类模型更是把判情感、分工单、审违规内容这些活都揽了过去。它们也给分数，也不写小作文，又快又便宜。麻烦在于每个任务都得单独攒一批标注好的数据，单独训一遍，换个任务就得从头再来。一个团队想多判几样东西，光是标数据就够喝一壶。
生成大模型来了以后，这道门槛没了。用一句话说清楚要判什么就能用，不用攒数据，也不用训练。代价是又贵又慢，而且给你的是一个词或者一段结论，不是分数。
决策模型把这两段路的好处凑到了一起。像生成模型一样，说清楚就能用；又像老式的分类模型一样，给分数，开销小。
它能干什么活
直白的说，就是同一类判断要重复很多很多次，单次不难，量大。
邮件该进哪个文件夹，客服工单该派给哪个组，这条评论是好评还是投诉，这张照片里有没有人脸，这份简历要不要进下一轮，搜索结果哪条该排前面。
这些事有个共同点，判错了后果有限，量又大到没人做得完。以前要么堆人，要么靠硬规则扛，要么干脆不判。现在可以整条流水线过一遍。
有个副作用。以前因为贵，很多团队对海量条目只能抽样，抽百分之五看看情况。成本降下来以后，抽样变成了全量。这个变化对结果的影响，比模型本身准不准还大，待会儿再说。
它干不了的活
它不会写。输出是几个数字，你要一份能给人看的拒绝理由，它给不出来，得另找会写的模型补。
它能给的分数本身其实有信息量，零点五一和零点九九差着十万八千里，前者说明它两头都拿不准，后者说明它很笃定，这一点生成模型回一句"是垃圾邮件"反倒给不了。可它只能告诉你有多大把握，说不出为什么。要向人交代的时候这就是硬伤，你总不能跟申请人说，系统给了你三十二分。
还有一件最容易被忽略的。它只在你给的选项里挑。选项是人定的，选项是不是合适，它不会提醒你。你给它四个选项，四个都不对，它照样在里头挑一个，分数可能还挺高。
它不知道自己不知道（挺绕）。分数高只说明在这几个选项里它更偏向这一个，不说明这一个是对的。稳定也不等于正确，它在一堆错选项里挑，也能每次都挑得一模一样。
有个土办法能缓一缓：选项里留一个"拿不准"，给它一个弃权的出口。没有这个口子，它只能硬着头皮在错的里面挑。
这些短处决定了它该待在什么位置。实际用起来，它很少单独干活，更多是跟会写的模型搭班。它顶在最前面，把大批一眼就能定的条目先分掉，剩下中间拿不准的那一小撮，再交给大模型细看、写理由。前一道省钱省时间，后一道保质量，也保住了能跟人交代的那部分。
给分数和让模型说一句，有本质区别吗
懂一点的人会追问这个。都是模型算出来的，一个说答案是 B，一个给 B 零点八七，凭什么后者就算个新品类。
首先最直观的是钱啊，成本啊。按 token 计费，输出多少字直接决定花多少钱，背后的模型越大单价越高。决策模型只吐几个数字，模型本身也往往不大。微软款就是拿阿里开源的 Qwen3.5-9B 改出来的，九十亿参数，在大模型里算袖珍，后训练时只盯着打分这一件事练。输出少，模型小，钱也少。
再继续往深里说，是你能不能调。想让生成模型判得严一点，只能改提示词，加一堆要求，然后盼着它照做。措辞和松紧之间没有稳定的对应关系，今天好使的写法，换个模型可能就不灵了。决策模型是拧一个阈值，往上拧少误杀，往下拧少漏放，只改阈值数字，改完立刻生效，换个时间再跑结果也一样。微软公布过一组稳定性测试，同一个问题换种问法、打乱选项顺序，判断结果翻过来的比例平均只有百分之一点三。
最根本的，是分数能做校准，这也是 Jev 最看重的一层。它的训练方法叫 RLCD，名字直译过来就是为校准决策做的强化学习。所谓校准，就是它说有八成把握的时候，十次里真能对八次左右。分数只有校准过，才敢拿来划线。
校准过的分数能干一件一句话干不了的事。你拿一万条历史数据喂进去，能画出一条曲线，横轴是阈值，纵轴是误杀率和漏放率。想少放过一个坏人，就得接受多误伤几个好人，这个代价是多少，曲线上一眼就能看出来。一句话没法这么用，因为你没法这样统计。
能调和能测，其实是一回事。判断从靠措辞碰运气的活，变成了能测量、能调节的工程参数。
真正的变化
判断便宜了以后，真正的变化就是用量。
以前贵，抽样。现在便宜，全量。同一套系统，同一批数据，只是把抽百分之五换成条条都过，被机器拦下来的条数就会涨上去。
全量过一遍以后，误判的比例可能降了，但实际数量不好说。从百分之三降到百分之一，基数从一千条变成了两万条，被误判的人从三十个变成了两百个。比例好看了，受影响的人反而多了。
而这些人多半没什么办法。判定是系统做的，系统没有解释的义务。
微软在自家模型的说明里就写明了，这类分数不该单独拿来决定涉及具体某个人的重大事项，重要的判定还得有人复核。
代价的分配也不对称。部署系统的一方拿到的是效率和省下的钱，被判错的一方担的是麻烦，这个矛盾无法抵消。
但这不是说这套技术不该用。人工审核同样出错，错得还没规律。机器起码稳定，错在哪儿能测出来。
我真正想说的是，判断便宜了，它就会扩散到很多以前没人想过要自动化的地方。招聘的第一轮，内容的初审，客服接起来的第一句，都会被机器过一遍。你会在越来越多的地方碰上这种不打招呼的判定，大概率也没人告诉你标准是什么。
写在最后
你要的如果只是个结论，就没必要花钱买一篇论文。
松紧怎么定，选项怎么给，拿不准的交给谁，你依然要分别处理，模型接管的只是中间那段不用动脑的部分。