一句话看懂：一篇待核验全文的论文摘要显示，在 Terminal-Bench 2.1 的 21 个留出任务上，给 Claude Sonnet 5.5 终端 Agent 外挂 Jev 1.13 决策模型后，单次尝试成本上升 19%，通过率却维持在 73.0%。这说明“会判断”和“能指导行动”之间还有明显落差。
事件核心：发生了什么
研究者在 2026 年 10 月公开的论文摘要中，固定同一套 Agent 循环，只替换控制器：无控制器、确定性规则、小模型 Claude Haiku 5.5、Jev 1.13，以及一个按 Jev 开发阶段选择频率采样的安慰剂组。在 21 个留出任务、315 次试验中，Jev 把每次尝试成本抬高 19%（几何均值比 1.19，95% 置信区间 1.02–1.36），通过率与对照组同为 73.0%。它比 Haiku 控制器便宜（比值 0.81），但比安慰剂组贵 22%。
离线评估中，Jev 对“是否该结束”的排序能力更好，AUROC 为 0.78，规则和小模型分别为 0.62 和 0.60；但它的概率校准很差：当它判断运行已完成时，平均置信度为 0.50，而实际 87% 的运行都通过了。换句话说，它常让 Agent 去验证本已正确的工作。所有控制器都没有选择放弃运行。
为什么重要
当前 Agent 架构流行把“停不停、验不验、换不换方法”这类小决策外包给更便宜的模型，以节省大模型推理成本。这项研究提示，决策信号本身有信息量，不等于能转化为有效干预。对做大模型 Agent 产品的团队而言，控制器不是免费增强件：它可能增加调用次数、验证步骤和算力开销，却不改变最终成功率。论文摘要也把问题指向校准与干预策略，而不是单纯换一个更聪明的决策模型。
对用户/开发者/创作者的影响
开发者接入决策模型 API 前，应把“成本/成功率”作为联合指标做 A/B 测试，而不是只看离线 AUROC。企业采购 Agent 方案时，需追问控制器是否引入额外推理调用、是否会触发无效验证。普通用户短期内不会感知明显变化，但如果厂商为控制成本而减少验证步骤，任务可靠性可能受影响。目前公开信息仅为论文摘要，未核验全文实验，也不代表已有产品上线。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Jev 团队是否公开校准修正方案，让完成概率更贴近实际通过率；二是后续实验是否覆盖更多任务类型和模型组合，验证 19% 成本增幅是否普遍；三是 Agent 框架厂商会不会把“控制器增益”纳入基准测试，避免只比较通过率。
