Jev 处理中文：题目用英文，state 保留中文

中文内容能判断。题目英文写、state 留原文，上线前用 20–30 条真实数据校准。

先说结论

中文内容 Jev 能判断。instructions（指令）和 criteria（判定标准）用英文写更稳，state（上下文状态）保留中文原文，不要翻译。上线前用自己的 20–30 条真实数据校准，别跳过这一步。

英文是主训练语言，中日韩文字能处理但效果不一样。官方在 Jev 1.13 能力短板里说得很清楚：要在自己的内容上测，不能照搬别人的结论。

2026 年 9 月走 OpenRouter 跑了一轮。一段真实的中文聊天，在 4 个时间点各问 7 道题。结果整体对得上，几个典型的：

单次调用 890–1040 毫秒，输入约 1000 个 token，单次成本约 0.00004 美元。

我踩到过这个坑。两道题措辞不一样，Jev 能得出相反的结论：

两个答案各自都说得通，放在一起就矛盾。解决的办法：同一次请求里的题目站在同一个视角写，互相有依赖的判断合成一道 Choice（选择题），别拆开问。

拿 20–30 条真实对话，每条写下你认为正确的答案，跑一遍，看准确率和置信度分布，按这个结果定阈值。

阈值附近的题，多次调用答案可能翻转。要靠置信度兜底，不要只看选中的那一项。

具体阈值按你的标注集定，别照搬别人的数。详见置信度分流。