Jev系列 · 第 3 篇

核心概念：RLCD 与置信度

返回列表

这一篇是全系列的原理核心。理解了 RLCD 和置信度校准，你就明白了 Jev 和其他模型的本质区别——不需要数学基础，用例子讲。

从一个例子说起：为什么"快"的模型必须"诚实"

假设一个自动化系统要判断：用户上传的内容是否违规。

模型 A 回答"违规"，实际错了 30%，但每次都斩钉截铁；
模型 B 回答"违规，置信度 72%"，错了的时候置信度通常也低。

如果你只能自动执行模型的判断，模型 B 显然安全得多：置信度低于阈值就转人工。这就是 TypeSafe AI 强调的 calibrated decisions（校准的决策）——模型不仅要对，还要知道自己有多对。

RLCD：用"对比"练出直觉

先解释缩写：RL = Reinforcement Learning（强化学习）——不给标准答案，只靠"好行为加分、坏行为减分"的反馈信号让模型自己试错学习，就像训练小狗做对了给零食（想深入看《强化学习是什么》）。这类缩写都是 RL from X 模式：RLHF 的 X 是人类反馈，RLVR 的 X 是可验证答案，而 RLCD 的 X 是——

RLCD（Reinforcement Learning from Contrastive Distillation，对比蒸馏强化学习）的训练思路是构造对比对：

对同一个决策场景，写出两个输出：一个是好判断（考虑了关键风险、结论正确），一个是坏判断（鲁莽、忽略重要信息）；
让模型看到这两个样本，向"好的"靠拢、远离"坏的"；
海量重复后，模型形成的是决策直觉——不需要写思维链，一次前向计算就能给出靠谱的判断。

它和 RLHF 的区别：

	RLHF	RLCD
训练信号	人类对回答打分排序	结构化的好/坏对比样本
信号来源	主观偏好	可清晰定义对错的决策场景
产出	会聊天的模型	会校准决策的模型

为什么一次前向就够

传统观点认为复杂判断必须靠思维链（写一大段推理过程）。RLCD 的思路是：把"思考"提前放到训练阶段——训练时通过对比样本把判断模式蒸馏进模型，推理时就不需要再逐步推理了。

代价是训练成本高、灵活性低（场景变了要重新构造样本）；换来的是推理时的低延迟、低成本、高吞吐（"一次前向计算"是怎么回事，见《前向计算是什么》）。对于一天要跑百万次判断的自动化系统，这笔账很划算。

置信度：自动化系统最需要的输出

Jev 这类决策模型的输出不只是"结论"，还有置信度。工程上通常这样用：

置信度 ≥ 90%：自动执行；
置信度 60% - 90%：抽样人工复核；
置信度 < 60%：转人工或升级到 System 2 模型慢推理。

这套分级处理是自动化决策系统的骨架，05 篇实战会具体设计它。

小结

RLCD = 用对比样本把"会思考"蒸馏成"有直觉"；
置信度校准 = 模型对不确定的判断要诚实；
两者的组合让"模型在软件里做决策"变得工程上可行。

下一篇进入实战：用这个思路完成你的第一个决策任务。