大模型在判断类任务中的应用越来越广泛，但成本和精度常常难以兼得。最新测试提供了一个值得关注的混合方案：Jev系统通过调用Claude Opus来辅助决策，在身份解析场景中实现了高精度低成本的平衡。

具体而言，Jev与Claude Opus的混合模式匹配了前沿模型的准确率，而整体成本只有原来的四分之一以下。这对于需要大规模运行判断任务的业务来说意义重大。

测试还涉及将Jev和GPT-6 Luna单独作为判断器进行评估。结果显示，合理的设计能让较小的调用成本获得接近顶级模型的效果。

对开发者的启示

这种“让模型去问另一个模型”的思路本质上是一种轻量级Agent模式。它启发开发者在构建AI系统时，不必一味追求最大模型，而是可以通过组合与路由来优化性价比。

身份解析是客户数据平台（CDP）中的常见需求，准确匹配用户身份能显著提升数据质量。在Composable CDP架构下，这种低成本高精度判断工具能帮助团队更灵活地构建实时数据管道，而无需承担过高的大模型调用开支。

中文AI开发者可借鉴这一思路，在自己的Agent或评估系统中尝试类似混合调用策略，尤其当预算有限但精度要求较高时。