AI 评测
便宜模型先筛，贵模型兜底：同样准，成本只有 1/4
决策模型便宜 90 倍，但难样本上掉 6 个百分点。分水岭不在模型，在置信度校准：让 Jev 先筛、只把 30–90% 的模糊样本丢给 Opus，精度追上 Opus，钱花一半。
AI 评测
决策模型便宜 90 倍，但难样本上掉 6 个百分点。分水岭不在模型，在置信度校准：让 Jev 先筛、只把 30–90% 的模糊样本丢给 Opus，精度追上 Opus，钱花一半。
Multi-Agent
19 局游戏，GPT 12 胜 4 负。更值得看的是过程：第一晚死掉 22 个 agent 后，它们建起了带许可证和配给账本的政府。
AI 评测
50 个真实税务任务、1,789 份文件，最好的模型只过 10.8%。会算税远远不够，难的是发现客户没想到要问的那个问题。