Jev 决策模型能分清0糖和低糖吗？拿元气森林试一试

一瓶饮料包装正面同时印着 500mL 和 600mL，电商上架录入时该填哪个？

元气森林官网的一张外星人青柠电解质水商品图，底部写着“净含量：600mL（500mL＋赠送100mL）”。人工一眼便知总量是 600mL，但让程序核对，不仅要抠出数字，还要识别出赠量说明，不能看到 500 就交差。

同系列的青柠包装，有的标“0糖”，有的印“低糖”，外观极易混淆。商户如果错填为 0 糖，光认出外星人标志和水果图案根本不够。

这次用元气森林官网的六款常见商品图，实测 Jev 1.14 在电商上架审核场景下的图片识别分类与定位能力。

口味、糖标示和容量怎么判断

Jev 是一个直接返回结构化分类与概率的决策模型。TypeSafe 在 2026 年 10 月 14 日开放了图片输入，并为 Jev 1.14 增加了用于目标定位的 Box 类型（两项功能目前仍属实验性质）。

测试给每张图设置了五个固定分类题：品类、口味、糖标示、总净含量，以及单张图能否证明为六瓶装。所有题目均设定了封闭候选项和判断标准（如遇赠量按总量算、看不清选无法确定）。

在六张图上，Jev 准确区分了青柠电解质水的“0糖”与“低糖”，增量装选出 600mL；白桃茉莉冰茶准确判为“减糖”和 900mL；六张单瓶图均未误判为六瓶装。

对下游系统来说，直接读取 sugar_label.choice 即可拿到判断结果，无需正则提取。每张图附带的可见性概率（0 到 1），也能协助筛查反光或遮挡图片。

Jev 能把包装上的信息框在哪里

除了分类选项，审核人员往往还需要看到信息在包装上的具体位置。

Jev 1.14 的 Box 题型可以在请求中指定目标，返回边界比例坐标与置信度。以青柠电解质水的糖标示为例：

1
2
3
4
5
6
7
8
9
10

{
  "type": "box",
  "box": {
    "top": 0.45,
    "bottom": 0.49,
    "left": 0.44,
    "right": 0.55
  },
  "confidence": 0.88
}

坐标乘以图片宽高即可在后台渲染标注。测试中让 Jev 分别定位整瓶商品（A）、品名（B）、糖标示（C）和净含量（D）：

按模型原始坐标渲染后，后台可直接高亮待核对区域。

不过，定位框并非每次都精准：上图中净含量框漏掉了赠量说明，好自在红豆薏米水虽判对“0糖”，定位框却偏到了文字右上方。分类正确不等于定位精准；而且即便目标不存在，接口也会返回坐标，业务中不能看见框就默认目标存在。

用另外两款模型作对照

作为对照，测试同时引入了本地 Ollama 的 Clef Flash 9B 和 OpenRouter 上的 OpenAI GPT-6 Luna Decisions（openai/gpt-6-luna-decisions-20261006），采用完全一致的图片和题目规则：

几处分歧对照原图非常明确：

1. 气泡水侧面反光看不清容量，Clef 盲猜了 500mL（置信度仅约 0.10），Jev 与 OpenAI 正确返回“无法确定”；
2. 红豆薏米水左侧较小的“0糖”字样被 OpenAI 漏判；白桃茉莉冰茶也被 OpenAI 误判为气泡水；
3. Jev 自身也存在矛盾：低糖款容量选出 600mL（置信度 0.51），但容量可见性概率仅给了 0.10，业务逻辑需警惕题目间的打架。

30 项分类判断中，Jev 与两者的一致率均为 28/30。

Jev 能帮上架检查做哪一步

综合实测，Jev 的价值在于承担“结构化初筛 + 区域辅助核验”：

商户资料若填 0 糖但模型判为低糖，系统立即拦截并圈出糖标示位置供人工核验；遇到侧面反光看不清或单图充整箱，则直接触发补图。

但鉴于官方仍标为实验功能、定位框存在偏移且题目间偶有置信度矛盾，将该能力接进业务的前提，依然是结合自有商品图跑通盲测，制定明确的人机复核规则。