4 PARTS · CONTENT MAP
左右滑动
PART 01
客服难在判断
选项、成本与置信度
PART 02
模型做选择
Jev · Instinct · 开源
PART 03
怎样放心用
五类场景
PART 04
用自己数据试
试用、开源入口
大家好啊，我是甲木。
先祝大家国庆快乐！马上开启假期欢乐模式，先给大家在文末抽个假日小礼物，再给大家分享节前最后一篇内容~
最近 Jev 模型不是比较火吗？以“系统一”模型著称，用于决策处理非常地快，但用在「客服」场景中我觉得还是差点意思。。正好我又发现了一个宝藏开源项目——Instinct（直觉），同样的小模型，同样的“系统一”，专注企业 AI 客服场景，不得不分享给大家了，尽量打破一些信息差。
从 24 年到现在做企业服务落地，「客服」是一个非常高频的通用场景，经常会接到不同客户对于这个场景的诉求。
先来说说这个场景的痛点，
“转人工！转人工！转人工！”
我相信各位都说话这样的话。。大概也是客服机器人听到最多的一句话。
很多人以为，机器人挨骂是因为不会说话。但随着大模型发展，早已把话说得足够好了。
让用户崩溃的，往往是它判断错了。
用户说“耳机用了两天，左耳就没声了”，机器人回复“签收已超 7 天，不支持无理由退货”。可按规则，15 天内的质量问题本该直接换货。
用户第三次追问“到底什么时候发货”，语气已经在冒火，机器人还在礼貌地重复物流模板。
话说得再漂亮，判断错一次，就是一次投诉。
一轮普通的客服对话背后，系统要做十几次这样的判断。而目前行业里最常见的做法是：每做一次判断，就让大模型写一段 JSON。
这相当于让一位作家，用写作文的方式来答选择题。
刚才说的 Jev 这种思路正在硅谷走红：不让模型“写”答案，只让它给出每个选项的概率。Instinct 系列决策模型也是为了解决这个问题，由企业 AI 平台 ZooWork 近期推出，在客服场景中的落地尝试。
PART
01
为啥在 AI 客服场景中，判断很重要？
WHY DECISIONS MATTER
把一个成熟的客服系统拆开看，每一轮对话背后通常都有十几到几十个判断点。
用户想查物流、退换货、改地址、开发票，还是投诉？签收超过 7 天的商品能不能退，这位用户是否满足补偿条件？情绪到了什么程度，有没有提到“曝光”“起诉”？该让机器人继续，转给售后专员，还是升级给主管？刚才那句客服回复有没有越权承诺？下一步该查订单、发优惠券，还是建工单？
这些判断有一个共同点：答案来自一个有限的选项集合。
它其实只需要在几个选项里选一个，并且说清楚：有多确定。
就这么一件事，在过去两年，行业里最常见的做法是：写一段提示词，让大模型输出 JSON，再解析结果。
能用。但一进生产环境，三个扎心问题就会反复出现。
(ps.相信做过企业客服落地场景的小伙伴都能感同身受。。)
第一，慢，而且贵。客服是高并发场景，一轮对话十几个判断，每个都要逐字生成一段文本，延迟和成本层层叠加。用户在等，账单在涨。
第二，飘。格式偶尔出错，选出一个根本不在候选里的答案，同样的输入跑两次结果不一样。每一种情况，工程师都得写一段兜底代码。
第三，也是最致命的：它不知道自己有多确定。
让大模型“顺便报一个置信度”，它多半会自信地报出 0.9 以上的数字——答对时是这样，答错时也是这样，对齐训练带来的过度自信，都会让这个数字失真。
而企业真正需要的，恰恰是这个数字。
九成把握的退款判断可以自动放行，六成把握的必须交给人工复核。
没有可信的概率，就没法设阈值；没法设阈值，自动化就只能永远停留在“辅助”。
PART
02
从 Jev 到 Instinct，让模型专门做判断
MODELS BUILT TO CHOOSE
决策模型换了一种思路：不生成文本，直接回答一个结构化问题。
输入是三样东西：当前的对话状态，判断问题（业务规则就写在问题里），候选答案。输出只有一样：每个候选答案的概率。
还是开头那副耳机：
系统拿到的就是一组可以直接写进业务逻辑的数字。
再跟大家聊聊，为什么说这个决策模型就比较适合客服场景呢？
任务定义本身成了输入。同一个模型，这一次判断情绪，下一次执行退款规则，再下一次选择工具，不需要为每个任务单独训练一个分类器。规则改了，改的是一段文字，不必重新标注数据、重新训练。
一次计算，给出全部答案。不用逐字生成，一次前向计算就能得到所有候选的概率；同一段对话上的多个问题还可以共享计算，一次跑完。
诺贝尔经济学奖得主丹尼尔·卡尼曼在《思考，快与慢》中，把人的思维分为两套系统：系统一快速、凭直觉、几乎不费力；系统二缓慢、审慎、依赖推理。
一位资深客服一眼看出“这单该换货”“这位用户快要投诉了”，靠的多半是系统一。
这个心理学概念，最近成了硅谷 AI 圈的热词。
9 月 15 日，旧金山的 TypeSafe AI 结束两年隐身，宣布完成 4000 万美元种子轮融资，并发布首个“系统一模型”Jev。公司创始人是前 OpenAI 研究员、InstructGPT（ChatGPT 的技术前身）论文作者之一。Jev 不生成文本，只输出带置信度的决策；TypeSafe 宣称，在同类任务上，它比前沿大模型最多快近 200 倍、便宜 400 多倍。
发布后短短数周，Jev 已被 Vercel、OpenRouter 等平台接入，LangChain 推出了配套集成，开发者社区也出现了专门的开源评测 jevbench。
用不同的模型做工作流里不同的事，正在从一个观点变成一种架构。
热度之外，企业更关心的是落地：模型能不能部署在自己的环境里，懂不懂自己的业务。
ZooWork 给出的答案是Instinct（直觉）
Jev 目前通过托管 API 提供服务；Instinct 则同时提供两种方式：既有稳定的托管 API，价格低于 Jev，也开源了Instinct-4B 模型权重，支持企业本地部署，入口如下：
开源项目地址：github.com/SerendipityOneInc/instinct
模型HuggingFace：huggingface.co/srpone/instinct-tuned-4b
在场景上，Instinct 直接瞄准客服这类需要海量、快速决策的企业业务。
而且扒了一下这个团队的信息，ZooWork 核心团队成员来自谷歌、阿里巴巴、字节跳动等头部科技公司，在 AI 算法、模型训练与推理优化方面积累深厚。之前团队开源的时尚图文检索模型 ZooClaw-FashionSigLIP2，在全部评测中均达到同类开源模型的最佳水平，效果超过月下载量超 40 万次的明星模型 Marqo-FashionSigLIP，贼猛。。
据 ZooWork 介绍，Instinct 目前有两种参数规模、三条模型方案。
Instinct Dual 4B面向成本敏感、响应频繁的判断环节。它以 Qwen3.5-4B 为基础，分别计算两个候选项顺序，再合并判断结果；两个顺序可并行执行。意图分流、工单路由、工具选择等任务，可以从这条轻量方案开始。
Instinct Tuned 4B是经过决策任务后训练和概率校准的 4B 方案，以单顺序完成判断，在模型体量、效果与调用价格之间取得平衡。规则判定、工单分类、情绪分级等日常决策，是它重点面向的应用方向，也适合作为企业进一步做场景适配的起点。
Instinct 27B以 Qwen3.8-27B 为基础，采用单顺序候选得分读出，并对服务链路做了激进的性能优化。在三款方案的现有公开题自测中，它的正确率最高，可优先用于条款较多、上下文较复杂的规则判断，以及更看重判断质量的质检和复核环节。上述是选型方向，具体效果仍需用企业自己的业务样本验证。
来看看实力吧，先看同一批公开题。在 JevBench 历史公开的 231 道决策题上，Instinct 27B 答对 202 道，后训练的 Tuned 4B 答对 198 道；Jev 1.13.0 的公开逐题记录为 200 道。两者分别比 Jev 多 2 道、少 2 道，显示了这两条方案在该公开题集上的竞争力。
全集结果呈现了更完整的取舍：Jev 的整体决策质量仍领先；Instinct Dual 4B 的校准分与 Jev 接近，但不能将校准分等同于答对能力。两款已测 Instinct 的官方原始 P50 约为 253–260 ms，Jev 为 616.5 ms，说明低时延是它们值得关注的一项特征。
综合分还取决于怎样计价。当前官方为两款 Instinct 采用基模参考价格估算成本，并将原始延迟乘以 2，作为 demo 服务承载生产负载的假设；Jev 使用其标准公开价，延迟不乘该系数。因此，官方综合分不能直接代表按 Instinct 当前标价购买服务时的性价比。
不过，ZooWork 方面更看重的，是这些判断如何进入真实的客服流程。通用基准只能证明模型“会判断”，证明不了它“懂客服”。
客服数据有自己的脾气：口语化，错别字多，一句话里夹着好几个诉求，情绪表达很含蓄，业务规则里全是例外条款。而客服流程里的许多关键动作，恰好可以拆成边界明确的判断：属于哪类诉求、是否满足退换条件、应该调用哪个工具、是否需要转人工。
Instinct 的结构化选择与概率输出，适合嵌入这些需要反复、快速执行的决策环节。
ZooWork 将客服作为 Instinct 的重点落地方向，围绕意图、规则判定、情绪、路由、质检和工具选择做场景适配。企业可以把自己的业务规则和必要上下文交给模型，也可以以后训练的 4B 方案为起点，进一步适配企业样本。
实际接入时，先用历史工单验证，再以影子模式观察，把达到业务要求的判断交给模型，不确定的情况转给人工。
Ps. 这里展示的是通用决策评测，客服专项效果将以相应业务评测为准。
PART
03
焚决：判断交给 AI，企业怎样才能放心？
FROM CONFIDENCE TO ACTION
那么在客服系统里，决策模型最适合先切入以下五类场景？
CASE 01
智能分流。
用户第一句话进来，由 2B 这样的小模型判断意图和紧急程度，决定进入哪个处理流程。这是调用量最大的环节，小模型的延迟和成本优势最明显。
CASE 02
售后规则判定。
把退换货、补偿、价保等规则直接写进问题里，由模型判断当前情况属于哪一类。规则更新时只需修改文字，不必重新训练。
CASE 03
情绪与升级预警。
实时判断用户情绪和投诉风险，高风险对话自动提升优先级、转给资深客服，避免小问题拖成大投诉。
CASE 04
全量质检。
过去质检只能抽检几个百分点的对话，现在可以对每一轮回复做合规判断：是否使用了禁用话术，是否做出了越权承诺，是否遗漏了必要告知。
CASE 05
Agent 的下一步动作。
在客服 Agent 里，“下一步调用哪个工具”本身就是一道选择题。由决策模型选定动作，再交给生成模型组织语言。
决策模型的价值，最终落在一件事上：它给出的概率可不可信。
模型说有九成把握的时候，它应该真的有九成是对的。这叫“校准”。
校准做好了，自动化才能分层：高置信，直接执行；中置信，执行，同时进入抽检队列；低置信，交给人。
阈值怎么设，取决于判断错了代价有多大。发一张五元优惠券，和批一笔大额退款，显然不该用同一把尺子。
这也是不少客服 AI 项目卡住的地方：测试集上的平均准确率很好看，但没人敢让它自动批退款，因为没人知道它哪一次是在猜。
对此，ZooWork 方面表示：
“准确率决定模型能不能用，校准决定企业敢不敢用。”
ZooWork 的建议是：不要只看模型在测试集上的平均准确率，而要在自己的业务数据上检验概率是否可信，并在上线后持续监控。客服数据会随着大促、新品和政策调整而漂移，今天校准良好的模型，三个月后可能就需要重新调整。
当然，决策模型也不是万能的，很多问题它不做，比如写回复、查数据、开放性题目，这些回答不了，我们要想清楚这三条边界，决策模型才能放在正确的位置上。
对于想尝试决策模型的企业，ZooWork 也给出了他们的建议。
第一步，把判断点写成问题。梳理现有客服流程里的每一个判断节点，按调用量和出错代价排序；再把每个节点写成“问题 + 候选答案”，业务规则用自然语言写进问题里。
第二步，选好规格，影子模式跑一遍。高并发分流用 0.5B，常规判定用 4B，复杂规则和质检用 27B。先与现有系统并行运行，只记录、不执行，对比结果，检查概率分布是否可信。
第三步，分层上线，闭环迭代。先把高置信、低风险的判断交给模型自动执行，再逐步扩大范围；人工复核的结果回流为训练和校准数据，让模型越用越准。
PART
04
结语
TRY WITH YOUR OWN DATA
之前有很多客户在好奇整个 AI 客服系统的搭建和思路，今天正好借着这个开源项目给大家分享一下~
过往的情况下，AI 客服会把话说得更漂亮，但是整个执行过程会非常缓慢。
但现在，决策模型把每一个判断，变成一次快速、可度量、可设阈值的调用。
做选择题，就别让大模型写作文。
正在推进客服自动化的团队，可以通过 ZooWork 申请试用，用自己的数据试一试。截至 2026 年 9 月 29 日，官网显示 Instinct 处于免费预览阶段，尚未启用计费，同时已公布以下单价：
模型 | 每百万输入 token 的公布价格 |
|---|---|
27B：instinct | 0.03 美元 |
4B：instinct-dual-4b、instinct-tuned-4b | 0.01 美元 |
所有型号均不收取输出 token 费用。
希望自行部署和评估的开发者，也可以从Hugging Face 上的 Instinct-4B 模型和GitHub 项目仓库入手，用自己的业务数据检验效果。
大家日常工作生活中，最难做的那个判断是什么？欢迎在留言区聊聊。
最后，祝大家节日快乐！！！
假期玩得愉快~
以上。
/// END · BETTER DECISIONS
