Choice
固定候选中选择一个，并返回所有候选概率。
快速判断，而不是长篇生成
在客服路由、内容审核、风险评估或 Agent 工具选择中，应用通常不需要另一段自然语言，而是需要一个可验证、可分支、可观察不确定性的结果。
Jev 的 System One 思路强调快速的模式匹配：一次输入可以包含多个问题，每个问题都先声明合法输出空间。
核心语义
state + typed questions → values + probabilities类型安全约束的是输出形态，不保证业务判断天然正确。
三种问题
把业务问题表达为清晰类型
Score
在低到高的有序等级上计算概率加权分数。
Noul
返回“是”的概率，阈值仍由业务代码决定。
工作模型
一个 State，多个相互独立的问题
State订单、文本、账户或 Agent 上下文
→QuestionsChoice · Score · Noul
→Typed answers值 · 概率 · 置信度
请求与响应
输出空间在调用前已经确定
调用方先给出 State、问题说明和合法候选。模型返回获选项及完整概率分布；业务代码再根据风险、权限和阈值决定是否执行。
state: "The customer was charged twice."
department: Choice(billing, technical, sales)
refund_requested: Noul()
→ department = billing
→ probabilities = { billing: 0.91, technical: 0.06, sales: 0.03 }
→ refund_requested = 0.98能力边界
结构化不等于判断正确
Jev 式模型解决的是输出协议和决策速度，不会自动补齐缺失事实，也不会替代权限、合规和业务规则。概率需要在目标数据上验证和校准。
- 适合分类、路由、排序、门禁和候选动作选择
- 适合同一 State 下批量回答多个明确问题
需要创作长文本、多步推理、开放式规划或生成工具参数时，仍应使用生成模型，并在动作执行前保留确定性校验。
- Function Calling 负责参数结构，决策模型负责候选评估
- 高风险或不可逆动作默认保留人工审批
继续实践