Jev 对比 LLM-as-a-Judge：TypeSafe 决策模型与 LLM 评审的实测差异

TypeSafe 的决策模型 Jev 与 LLM-as-a-Judge 在 2026-09-21 通过 OpenRouter 做了对比测试，整轮花费 $0.041。在 88 条封闭式忠实度样本上，Jev 与标签一致 84 条、LLM 评审 83 条，两者精确率均为 0.98；Jev 概率校准更好，成本为 LLM 评审的 1/5，延迟为 1/10。开放式长文本评分场景下，LLM 评审更贴近专家评分。