Bringing Decision Models into Knowledge Work

知识工作的产出是报告、意见书和投资结论，其中大部分工作却发生在写作之前：判断哪些材料相关，哪项条款适用，哪个数字与管理层的说法不符。注意力投向哪里、结论建立在什么之上，都由这些判断决定。

专业判断有两个特点。其一，许多判断依赖对情境的识别和专业的直觉，并不需要冗长的推理；有经验的律师读到一项条款，往往很快就知道它是否构成限制。其二，判断的数量远多于结论；一个投资结论背后，是对大量文件、主体和时间点的逐一筛选。

近年来提升模型能力的主要路径是扩大参数、延长推理，即 scaling System 2。它抬高了单次判断的上限，也抬高了单次判断的成本，覆盖面因此受预算直接约束。本文讨论另一条路径：在单次判断足够可靠的前提下，把判断的成本降低一到两个数量级，从而扩展判断的数量与覆盖面。我们称之为 scaling System 1。

我们以 Jev 为案例。Jev 是一个以选择、评分和概率形式输出判断的模型。1 下面用法律和金融领域的公开数据依次回答三个问题：不依赖长推理的判断能达到什么水平；成本降低之后，同样的预算能覆盖多少；长推理应当用在哪里。随后用两个案例说明这些判断如何进入实际研究。

1. 专业判断不必依赖长推理

我们在同一批题目上分别调用 Jev 和 DeepSeek V4.1 Flash 的两个档位，每题一次。下文将 DeepSeek 简写为 DS，两个档位统一记作“无思考”和“中等”。

任务：MAUD 为并购协议中的9类法律标准判断；ContractNLI 为保密协议推断；FinDVer-KNOW 为财报结论的知识密集验证；FinArgQuality 为业绩会论证质量，24条论证×4个维度，Jev采用事先确定的分维度校准；Consumer Contracts QA 为 LegalBench 的消费者合同权利义务问答（正式任务名 consumer_contracts_qa），取32个不重复片段各1问。分数为正确数 / 判断数，不是整套数据集的规模。

设置：无思考对应 reasoning_effort=none，中等对应 reasoning_effort=medium；Jev为原生结构化判别接口，强调色仅用于标识Jev列，不表示每行最优。时延为各任务单题中位数的范围，不是整批耗时。

判断能力不必依附于大模型。 在都不使用长推理的条件下，Jev 与 DS（无思考）互有胜负，整体处于同一水平，Jev 的费用约为后者的 1/20。这提示，至少在这些任务上，判断质量更多取决于模型是否被塑造成一个判断者，即在受约束的选项之间给出可比较的分数，而不在于参数中储存了多少通用知识。

长推理的收益取决于任务结构。 开启思考后，DS 在 MAUD 和 FinDVer 上分别多答对9题和8题，在 ContractNLI 和 FinArgQuality 上几乎没有提升。前两项需要逐条对照法律标准、核对财务口径，推理步骤本身有用；后两项更依赖语义直觉与主观权衡，多想一步未必更准。即便在受益最多的 MAUD 和 FinDVer 上，Jev 也以 DS（中等）1/46 和 1/37 的费用达到了相近的成绩。FinArgQuality 按 Macro-F1 计，三者为 .376、.352 和 .423。

我们还构造了一组专业取舍测试，要求在约束、时间和成本之间作出选择。下面保留各模型实际使用的快速配置：

任务：作者构造的9个金融、法律和医疗情境，每题12条记录、5个候选行动。

设置：DS为 none，GLM为 low，Gemini为 thinking budget=0，Hunyuan为 no_think。BERT将候选行动转为文本蕴含判断。

各快速档位之间差距不大，明显的分界在 BERT 一行：它同样快，但只能判断文本是否蕴含，无法在多个约束之间权衡。可见快速判断的价值在于速度之外仍保留了取舍能力，这正是专业判断与文本匹配的区别。

2. 更低的成本，更大的覆盖面

我们把 FinDVer 的60道题按固定顺序交给各模型，逐题累计费用，观察正确判断数随支出的增长。

图 1 · FinDVer-KNOW，60题，固定题序。横轴为累计估算费用（对数坐标），纵轴为累计正确判断数。

三条曲线形状相近，说明单题准确率的差别有限；拉开距离的是横轴。花费 $0.01 时，Jev 已处理47题、答对38题，DS（中等）仅处理1题。

在预算约束下，更有意义的问题是同样的花费能换来多少个正确判断，单题准确率只是其中一个因子。研究中待判断的对象没有天然上限，文件、主体和时间点都可以继续增加。单次成本下降一个数量级，原本只读摘要的材料可以读原文，原本抽样检查的对象可以全量检查。这是 scaling System 1 所沿的方向。

3. 让长推理集中在低置信之处

扩展 System 1 的目的，是让 System 2 集中用在关键之处。Jev 为每个判断输出置信度。2 我们按固定配额，把置信度最低的题目交给 DS，升级名单在调用 DS 之前确定。

读表：任务定义见表 1；“留给Jev”为不升级的部分，“升级前 → 后”为同一组被选题目上的Jev → DS正确率。“全量DS”使用该行标注的同一推理档位；费用以美元计，包含全部初判及必要后续调用。

置信度的作用，是把错误集中到一个可以识别的区域。三项任务中，Jev 保留部分的正确率都明显高于交出部分，长推理因此只需覆盖约四分之一的题目。两类模型出错的位置也不尽相同：MAUD 上，Jev 答对而 DS（中等）答错的有5题，反之有7题。路由同时保留了两者的长处，三项任务的最终成绩都不低于任一单独模型。ContractNLI 的级联为完整在线运行，整批耗时25.1秒；另次补测的全量 DS（无思考）为71.9秒。

在这种分工中，System 1 决定哪里值得多想，System 2 负责把这些地方想清楚。判断越便宜、置信度越可靠，昂贵的推理就越能集中在真正困难的问题上。

4. 在研究中扩展判断：两个案例

以下两个案例展示低成本判断在研究流程中的两种用法：在一个问题之内组织证据，以及在较长时间内跟踪假设。

3M：每股收益上升，持续盈利能力是否改善？

3M 2022年报中，GAAP 每股收益从10.12升至10.18美元，调整后每股收益却从10.73降至10.10美元，经营现金流也在下降。研究问题是：每股收益的上升是否来自持续经营的改善。

我们从年报中摘出17段材料，涵盖利润、调整口径、现金流、诉讼与环境义务等，两两组合，做了136组Jev关系判断：两段材料是否应当放在一起看，是否相互限定。DS（中等）再依据这份关系清单回到原文写作报告。由于单次判断足够便宜，可以对全部材料两两比较，不必事先猜测哪些材料彼此相关。

EPS 与现金流背离 → Jev 组织证据关系 → 报告追问：盈利下降有多少来自原材料与汇率，有多少来自经营本身？

报告由此把”盈利质量走弱”推进为一个可检验的问题：如果下降主要来自暂时因素，结论可以缓和；否则应继续检查其余业务。Jev 的产出是一份值得核查的问题清单，结论仍由综合模型和研究者给出。

CVS：新披露能否让旧判断重新进入研究队列？

这个案例考察长期跟踪。研究者维护一组工作假设；每当新披露到来，由 Jev 判断它是否触及某个假设、是否需要提醒研究者复核。

2020年末，CVS 仍有约139亿美元未使用的回购授权，第四季度却没有回购，研究中据此保留”公司是否在优先保留资本”的假设。2022年报随后披露了约35亿美元的实际回购。

旧假设：保留资本？ → 新证据：实际回购约35亿美元 → Jev 提醒：回购已恢复，资本配置假设值得更新。

这一提醒需要区分”授权”与”执行”，再把新披露接回旧假设。长期跟踪的工作量等于新材料数乘以在跟踪的假设数，并随时间不断累积，这个乘积很快会超出长推理的预算，却正适合低成本判断。在八个案例、每个案例96条时序更新的跟踪实验中，Jev 发出的12条提醒均有来源支持。

5. 展望：规模、能力与普惠

扩大判断的规模。 本文的实验以数十到数百道题为单位。真实的专业工作面对的是完整的文件库、持续更新的披露和多年的时间跨度。当判断覆盖到这样的规模，问题将从”每次判断是否正确”转向”整体上是否看到了该看到的东西”。

通过针对性训练增强专业判断能力。 实验表明，专业判断并不必然依赖参数规模与长推理，而可以作为一种独立的能力来构建。围绕法律标准辨析、财务口径核对、论证质量评估等具体判断类型，用专业标注和结构化的判断任务进行训练，有望在不增加单次成本的前提下继续提高判断质量，使更多问题无需升级到长推理就能可靠完成。

让专业判断成为普惠的能力。 今天，对大量文件进行持续、细致的专业审视，往往只有大型机构负担得起。当可靠的判断足够便宜，个人投资者、小型律所和独立研究者也能读得更广、跟得更久、更早发现问题。我们期待的分工是：快速判断负责铺开，长推理负责深挖，人负责最终的决定。

参考资料

1. TypeSafe. Jev：模型与定价。
2. TypeSafe. Confidence versus Probability。
3. MAUD：并购协议理解。
4. ContractNLI：合同推断。
5. FinDVer：金融文档中的结论验证。
6. FinArgQuality：业绩会论证质量。