你让 AI 从几十个工具里挑一个，它可能先在内部慢慢推演，再像打字一样逐个生成 Token。答案只有一个名字，等待却花在一长串中间文字上。视频任务更明显：智能体若要边看边行动，等它完整“想完再说”，时机可能已经过去。
Jeva 和 VideoJev 探索的是另一条路：不生成显式推理链，直接对候选项或视频片段打分，输出结构化决定。它们把这种方式称为 System One——借用心理学术语，指快速、直觉式判断，与逐步推演的 System Two 相对。这里说的“Jev”更适合作为共同路线的简称：Jeva 是面向通用决策的架构，VideoJev 则把类似思路用于视频理解。材料没有说明二者来自同一机构或团队，也不能把一篇的架构和成绩算到另一篇头上。
问题不只是生成太慢
自回归生成像打字：后一个 Token 必须等前一个完成。推理和答案越长，延迟通常越高。但 Jeva 论文认为，仅仅取消长答案还不够。一个真正为决策而生的模型，至少要处理四件事。
第一，候选里可能根本没有正确答案。模型需要区分“都不对”和“几个选项之间拿不准”。第二，同一组选项换个顺序，结论不该改变。这叫置换不变性，否则模型可能把 A、B、C 的位置当成线索。第三，候选从十个增加到一千个时，不应重新定义输出空间。第四，反复出现的工具、文档或标签应能提前计算并缓存，别在每次请求里重做一遍。
许多既有做法把请求和候选拼成一段有顺序的文本，再从答案 Token 或专用预测头中读出结果。这样做把本来无序的候选集合变成了序列，也把可重复利用的候选内容塞进每次请求的计算里。
Jeva：候选先存档，请求再来判断
Jeva 的关键拆分很直观。一个共享编码器分别读取请求和每个候选，把它们变成紧凑表示；随后，一个较小的“决策栈”只更新请求的状态，并读取保持不变的候选记忆。像是先给每份档案做好索引，新问题到来时，评审员翻索引作判断，而不是重新整理全部档案。
它又不只是把请求与每个候选分别算相似度。单独打分有一个限制：加入第三个选项，可以稀释前两个选项的概率，却不能颠倒两者的相对偏好。Jeva 让请求状态先观察整个候选集合，再统一评分，因此周围候选的存在可以改变判断，同时候选自身的表示仍可复用。
架构中的对称聚合保证候选换序时，概率只跟着候选一起换位置；共享评分器则让同一套参数处理数量可变的候选。模型还单独设置 coverage estimate，即“覆盖度估计”，判断候选集合中是否至少有一个可接受答案。它先回答“这里有没有答案”，再回答“若有，哪一个最好”，从而把空答案与候选间竞争拆开。
这种拆分也带来缓存。候选的语义表示以及各层所需的投影视图，都不依赖当前请求，可以跨请求保存。新请求仍要编码，决策模块也仍要运行；复用的是候选侧计算，不是旧答案。
结构承诺，经受住了吗？
据 Jeva 论文报告，采用 Qwen3.5-4B 主干和一个决策块的 Jeva-4B，在 600 个 Choice 样本的原始、反转及最多三种随机排列中没有发生一次 decision flip，也就是选项换序后答案翻转；所有排列均答对的准确率为 76.67%。作为对照，Jev-1.13.0、InternDecision-4B 和 JevK5 的翻转率分别为 17.00%、22.67% 和 26.17%。这组结果与其置换对称的设计相符。
在“答案是否缺席”上，论文用 3,080 个含 16 个候选的 BANKING77 请求测试，其中 588 个没有正确候选。Jeva 的 null-detection AUROC——衡量模型区分“有答案”和“无答案”的排序能力——为 98.66%；在约 5% 的误报率下，它识别出 93.88% 的答案缺席案例。
扩展到 2,048 个候选时，Jeva 在 500 个 ToolRet 请求上覆盖全部样本，准确率为 78.40%，论文给出的递归 JevK5 对照为 64.00%。缓存实验中，当 MLDR 候选全部可复用时，中位延迟从 2,102.0 毫秒降至 75.1 毫秒。论文称不同缓存条件下决定不变，但报告的最大概率绝对差为 0.00736，因此这里更准确的说法是选择结果未变，而非数值逐位相同。
VideoJev：把时间轴也变成候选
VideoJev 把同一方向延伸到视频。它改造预训练多模态大语言模型，用一个共享决策头，让视频证据分别与时间区间、文本选项匹配。时间定位——指出事件从何时开始、到何时结束——与视频选择题因此可以共用一种打分接口：前者选片段，后者选答案。
视频交互还有一个天然的复用场景。智能体会围绕同一段视觉历史连续提问，例如先判断任务进度，再决定下一步。VideoJev 提供 Cached inference，复用先前的视频计算；也提供 Joint inference，让多个问题在一次前向计算中共同处理。
据 VideoJev 摘要，在三个时间定位基准上，VideoJev-4B 和 VideoJev-35B-A3B 相对各自主干模型的 mean mIoU 分别提高 6.7 和 10.8 个点。mIoU 衡量预测时间段与正确时间段的平均重合程度；两款模型的实测推理加速为 2.8—3.1 倍。在四个视频问答基准上，它们的表现与各自主干模型的 Thinking mode 相当，实测加速超过 100 倍。
为什么值得关注
这两项工作的共同价值，不是宣称“快速直觉”普遍优于推理，而是重新检查任务的形状。选工具、找文档、判断是否命中、定位视频片段，本来就是从结构化候选中作决定。若仍强迫模型先把决定写成一段序列，就会支付额外的速度税，也可能引入选项顺序、固定答案符号等不必要约束。
Jeva 更进一步：低延迟不是只靠少生成几个 Token，而要从架构上保证候选可换序、可扩展、可缓存，并允许明确回答“都不是”。VideoJev 则说明，这套思想不只适用于文本分类，也可能成为视觉智能体反复查询同一段历史时的实用接口。
局限与未知
- “不写推理链”只表示不进行自回归答案解码，不代表模型内部没有多步计算，更不证明它普遍胜过需要审慎推演的模型。
- VideoJev 的摘要没有给出具体基准名称、绝对分数、硬件、批量大小、输入长度和缓存预热成本。“超过 100 倍”只适用于其与各自主干 Thinking mode 的特定比较，不能泛化成所有视频推理场景。
- Jeva 的架构、稳定性与缓存效果，以及 VideoJev 的速度和精度数字，分别来自各自论文材料；目前提供的材料不包含独立复现。