Jev 1.14 看图实测：判断可以直接用，框选要看置信度
看截图做判断，结果和读文字几乎一致；Box 框选用置信度兜底。
先说结论
我用 Jev 1.14 跑了两张模拟聊天截图。判断类问题看图和读文字的结果一致，可以直接用图。Box 框选题在中文截图上会框偏，要看置信度兜底。
怎么测的
2026 年 10 月 15 日，走 TypeSafe 官方接口。准备两张模拟聊天截图，Jev 1.13 和 1.14 各跑图片版和文字版，每种跑 2 次。
图片宽高都要在 256–1568 像素之间。超出返回 400「Invalid image dimensions」，不会自动缩放。手机截图通常超长，先把长边缩到 1568 以内再发。
判断类问题：直接用
下面四项看图和读文字的结果一致，都判断正确：
- 谁是最后发言的人
- 从 4 句很像的中文里认出截图里的原句
- 对方的真实意图
- 危险程度打分
Box 框选题：用置信度兜底
Box 题型只有 1.14 有。返回框的上下左右四条边（占图片宽高的比例）和置信度。准不准用 IoU 衡量：框和标准答案的重叠面积除以两者合并的面积，1 是完全重合。
实测结果：
- 框「输入框」：IoU 0.65–0.72，置信度 0.93。
- 中文截图里框「对方最后一条气泡」：只框到第一个字，两次 IoU 是 0.14 和 0.58，置信度只有 0.36，模型自己就报了低。
- 同样的任务换成英文截图：IoU 0.75 和 0.88。
成本和怎么用
一张图约 3,900 个输入 token，同样内容的文字版约 830 个。单次约 0.00016 美元，耗时 1.7–3.3 秒。
判断类问题可以直接用图。Box 结果先看置信度，低了就别用，或者交给人。1.13 也能收图，但 Box 题型只有 1.14 有。