诺基亚应用研究团队9月23日开源了AnyJev。据MarkTechPost报道，这个Python库无需训练，可把任意开源大语言模型转成带概率校准的决策模型，其目标是完成从固定选项中选出一个答案的生产任务，而不是生成句子。AnyJev采用Apache-2.0许可，发布在PyPI，提供transformers和vLLM后端，并支持共享前缀打分。
AnyJev的接口借鉴了TypeSafe AI的Jev。Jev是TypeSafe AI在2026年9月推出的System One决策模型。用户向AnyJev提出类型化问题，会得到一个带概率的决策，该概率来自模型的下一token分布，可以直接设阈值使用，过程中不生成文本、不解析输出，也不进行训练。AnyJev支持三类问题：choice从K个选项中选一个，noul回答是或否，score把答案放入若干有序区间。
AnyJev要解决直接读取logits的两个问题。据MarkTechPost报道，诺基亚研究团队指出，直接把下一token限制在选项标签并读取分数，会带来两个缺陷：选项重排后答案可能改变，概率也没有校准。原因包括先验偏差和位置偏差，前者使模型无论输入如何都偏爱某些标签，后者使模型偏爱选项列表中的某些位置。AnyJev的L0层默认开启，通过对K个选项做K轮循环移位，并在对数空间以几何平均合并结果，消除加性位置偏差；同时用批量校准，在真实输入上保留预测分布的运行均值，并以0.75强度剔除，从第8个样本后开始修正。L1层在L0基础上增加温度缩放，需要100到500个标签，拟合值保存为小型JSON文件。L1只重塑置信度，不改变答案排序。
据MarkTechPost报道，在Qwen3-8B与BANKING77的20路、300条测试项上，原始logits的翻转率为0.230，AnyJev L0为0.073，L1为0.077；准确率从0.747升至0.803和0.807；校准误差ECE从0.240降至0.184和0.095；在5%误差下可自动决策的比例从7.7%升至46.3%和52.0%。L0每次决策需要K次预填，在单张H100、batch 32、K为20时约0.25秒。在类型化决策集上，Qwen3-32B加L1的ECE为0.036，对比Jev已公布的0.144。准确率方面，微调后的Laya仍领先。诺基亚的Wu表示，团队曾在内部路由问题上试用AnyJev，结果有希望。
AnyJev出现前，决策AI已在发酵。据量子位报道，TypeSafe AI的Jev近期受到关注，该团队有OpenAI背景，口号是“Decisions, not strings”。Jev把AI输出变成Choice、Score、Probability等软件可直接执行的结果，主要服务软件和Agent的即时判断。国内中科闻歌则在今年6月发布通用决策大模型Decitron决策机，把世界模型、多智能体推演、博弈与求解纳入统一决策框架。量子位认为，Jev与Decitron并非一回事：Jev把决策做成一次瞬时判断，Decitron把决策展开为对未来的一场推演，一个解决“此刻选什么”，一个解决“选完之后会发生什么”。
量子位还指出，两者都在让AI输出从生成内容走向支持判断和行动，都强调显式量化不确定性，并尝试把决策变成独立的AI计算范式。差别在于，Jev量化的是当前判断的不确定性，Decitron处理的是不同主体、行动和环境变化下未来演化的不确定性。Jev的计算逻辑是输入状态、输出判断，Decitron则是输入现实、建模世界、模拟行动、推演结果、比较策略。AnyJev则沿着Jev的路径，把开源大模型接入可设阈值的分类决策流程。