JevBench：52 个决策模型的终极排名

Show HN: JevBench, a reproducible benchmark for typed decision models

Benchmark Heaven 发布了 JevBench v1.3.0，这是专为 Jev 类决策模型打造的基准测试，对 52 个系统进行了严格评估。测试涵盖 534 个决策场景，其中包含 220 个高难度任务，从德国服务器逐一运行。评分体系综合了 Intelligence（智能）、Calibration（校准）、Speed（速度）和 Cost（成本）四大维度，各占 25% 权重。结果显示，TypeSafe AI 的 Jev 1.13.0 以 74.4 分领跑，而开源项目 SemIf 和 djev 紧随其后。值得注意的是，部分大型模型如 DeepSeek V4.1 Flash 虽在智能项得分极高，但因成本过高导致总分受限。该榜单不仅揭示了当前决策模型的优劣，还强调了在智能与成本之间寻找平衡的重要性。