Liquid AI的d1-ultra模型已上线AI Gateway，专用于分类、路由和评分等多模态决策任务，可处理文本与图像，如视觉缺陷检测和核对客户照片中的损坏索赔。它不生成文本，而是返回带概率的结构化答案，支持布尔、选项和评分三种提问方式，一次请求可问多个问题，便于决定自动处理或转人工审核。模型强调概率校准，支持32768词元上下文，仅按输入词元计费，图像输入也计入，无输出费用。
文章介绍AI工具Jev：它不生成文字，只替程序做选择。结合4K视频，讲解其Choice、Score、Noul机制及概率校准，并展示Awesome Jev中的真实应用与工程限制。
TypeSafe的Jev模型通过单token输出概率分类，速度快、成本低，被Vercel AI Gateway率先采用。其底层logprobs技术并不新颖，已有六个团队复刻，OpenAI也在工具调用中使用类似机制。Jev的真正优势在于训练数据与概率校准。OpenAI可能将分类能力直接整合进主力模型推理，实现零延迟判断并扩展至多模态。TypeSafe的生存取决于其数据工程深度。
Jev是TypeSafe AI推出的模型，输入文本和问题即返回概率数字，具备零样本泛化与校准保证。Jimothy将Jev的判断蒸馏为本地小分类器，用Jev标注的数据训练，实现毫秒级推理、离线运行且无需API费用。风险在于教师偏差可能被学生放大、训练数据可能含噪声标签、概率校准未必可靠。因此它适合任务固定、错误成本低的粗分类，不适合风控、医疗等高风险场景。
该研究探讨了语言模型参数估计中的计算问题，分析了噪声对比估计与负采样的异同，指出遮蔽语言模型成功的原因在于其建模高阶词共现统计的能力。研究发现，LSTM和Transformer模型在低概率情况下低估目标语言序列的概率，并提出了目的论方法，强调在此情况下使用模型的谨慎。此外，研究还提出了新技术以改善模型性能，并解决概率校准问题。
本文评估了神经网络的概率校准，比较了多种校准方法。研究发现，正则化方法在概率校准和锐度之间提供了良好平衡，而修正方法则表现出更优的校准性能。分位数校准作为一种修正方法，具有有限样本覆盖的优势。此外，提出了后处理校准方法和新的评估指标，以提升模型在不同任务中的校准效果。
该文综述机器学习中概率预测的校准问题，涵盖决策校准、多类别分类校准评估与测试、类别自适应标签平滑、拒绝机制、基于Transformer的KNN校准、群体公平多校准及高斯过程置信度调整等方法，并在皮肤病和ImageNet分类任务中验证有效性。
本文研究了RGB-LiDAR融合的后期融合框架，通过集成独立训练的RGB和LiDAR检测器，提高了罕见类别的检测性能。实验结果显示，二维RGB检测器的准确性优于三维RGB检测器，基于二维图像平面的匹配可以减轻深度估计误差，使用概率校准的方法将分数融合可以达到最先进的LT3D性能。
完成下面两步后，将自动完成登录并继续当前操作。
