LangChain 评测 Jev 作为智能体评估器的可行性与表现

LangChain 实测了 TypeSafe AI 的 System One 决策模型 Jev 在智能体评估任务中的表现。在包含 500 次重复判定的天气测试集对比中，Jev 的二元通过判定与人类标准完全一致，单次调用成本为 $0.00035，方差显著低于 GPT-5.6 Terra、GPT-5.6 Luna 和 Claude Sonnet 4.6。