Jev‑ToM评测：类型化决策模型，在心智理论

以前测心智理论，基本只盯着生成式大模型。Jev‑ToM 这套新框架，把类型化决策模型也拉进来比了。

它专门做有限候选判断：给上下文和选项，直接输出选择、概率和分数。不用长篇生成，胜在低延迟、低成本。这次一口气测了 5 个决策模型和 7 个大模型，用的是 9 套公开数据集、11117 道英文题。

结果最猛的 Jev‑1.13，综合准确率 73.2%，排第一。但它不是全能——情绪和社会语用接近九成，信念推理却只有 68.4%。总榜第一，不等于你业务里每项都强。

更扎心的是工程坑。同一个 0.9 置信度阈值，换个任务错误率能从 0 飙到 34.9%。附加理由也一样，好理由能救答案，烂理由能把原本对的带偏。交叉配对实验里，修复约 7 个百分点，损伤也到 7.1 个，净收益几乎归零。

好在它确实便宜快：每千次请求只要 0.03 美元左右，平均响应 282 毫秒。但别被结构化输出骗了——生产上线前，任务级校准和格式校验都得重做。