更新日期:2026年10月20日
假设你有数百条AI回答需要检查:哪些推荐了你的公司,哪些只是提到名称,哪些错误描述了产品或服务。单纯统计品牌出现次数无法回答这些问题。你需要一套可以重复使用的评价方法。
TypeSafe AI的Jev可以在这一流程中充当评估模型。它接收材料和范围明确的问题,然后返回程序可以比较、统计并分配后续处理的结果。在GEO工作中,它可能成为分析生成式AI回答的辅助环节。
最重要的限制是:模型只评估你提供的材料。结果不能证明品牌在整个互联网上具有某种可见度。本文介绍可能的用途及验证方法,不是Jev实测报告,也不确认Semly已集成Jev。
Jev是什么,与GEO有什么关系?
TypeSafe将Jev描述为System One类模型,用于快速、范围明确的评估。它不撰写文章或长篇分析,而是针对问题返回结构化回答。输入基础是API中称为“state”的上下文,以及需要评估什么的说明。来源:Jev简介。
GEO即Generative Engine Optimization,关注品牌和内容在生成式AI回答中的呈现。Jev可以帮助整理决策材料,但它不是像搜索引擎那样争取排名的场所,也不能替代收集ChatGPT、Gemini或Perplexity回答的系统。
合理的分工是:独立流程收集回答及来源,Jev评估特定特征,程序应用规则,再由人检查需要解释的情况。如果随后需要重写网页片段,那是下一项编辑任务。
示意流程:保存回答、提出独立问题、检查结果。根据TypeSafe文档独立制作。动画展示的是建议流程,不是已完成集成的运行画面。
Choice、Score和Noul:三种提问方式
应根据实际要做的决定选择问题类型。“这条回答好吗?”范围太宽,可以拆成是否推荐、事实是否一致、是否完整回应客户需求。
| 类型 | 回答什么问题? | GEO示例 |
|---|---|---|
| Choice | 属于给定类别中的哪一类? | 中性提及、推荐或不推荐。 |
| Score | 属于所定义量表的哪个等级? | 未回答、部分回答或满足全部条件。 |
| Noul | 指定论断是否为真? | 回答是否明确推荐指定品牌? |
Choice从给定集合中选择一个类别。类别应彼此可区分,标准应涵盖边界情况。评估推荐与产品描述一致性等多个特征时,应分别提问。Choice文档。
Score需要描述有序等级。“未回答”“部分回答”“回答全部指定条件”比没有量表说明的“质量1到10分”更清楚。结果针对的是你定义的质量。Score文档。
Noul返回回答“是”的概率。接近0.5表示不确定,并不表示条件满足了一半。问题必须明确说明“是”的含义。Noul文档。
2026年10月的最新情况是什么?
根据10月20日核查的文档,最新列出的版本为2026年10月14日发布的Jev 1.14。文档区分固定版本标识符和指向会变化的“latest”“preview”别名。测试时应记录实际模型版本,因为别名变化可能影响结果。Jev模型与版本。
TypeSafe的1.14公告还介绍了对图像、更大上下文以及“box”类型的实验性支持。厂商指出,这些功能用于生产环境的成熟度有限。因此,本文的文本评估流程不以使用这些功能为前提。TypeSafe 10月14日公告。
结果格式正确,不代表评估正确。模型可能返回允许的类别,却把它分配给了错误的情况。
Jev在GEO和SEO中的7种用途
以下情境是模型的应用建议,不是Semly功能清单,也不是部署结果。每种用途都需要定义标准,并使用符合自身任务的材料验证准确性。
1. 区分提及、推荐和不推荐
“品牌X在这个市场运营”与“这种用途值得考虑品牌X”并不相同。“品牌X不支持这种用途”又是另一种意思。三者都包含公司名称,但只有一个是在相应情境下推荐。
可以让Jev评估回答对某个品牌的态度。上下文应包括用户的完整问题,因为推荐可能附带条件:产品也许适合小商店,却不满足大型组织的要求。
名称出现、正面推荐、链接应分别记录。指向厂商网站的链接既可能出现在推荐中,也可能出现在批评产品的评价中。
示例数据仅用于说明方法,不代表任何品牌的测量结果。动画及后续示例中的标签由编辑制作,并非Jev调用结果。正文也说明了同一点:中性提及、推荐和不推荐是不同评价,与是否存在链接无关。
2. 初步评估论断与来源是否一致
检测URL本身通常适合用程序规则处理。真正需要判断的问题是:来源中的某个具体片段,是否支持AI回答中的某个具体论断?
将包含多项承诺的句子拆成单独论断。为每项附上对应网页片段、服务范围、读取日期。若无法取得来源,应标记材料缺失,不要替换为“来源不支持”的结论。
根据问题设计,模型可以初步指出一致、矛盾或需要复核。完整审计方法另文说明:引用来源是否支持关于公司的信息?。
3. 整理客户问题
价格、实施、限制、方案对比等问题需要不同回答。分类有助于安排分析清单并分配负责人。
先确定一个问题是否可以有多个意图。“实施多少钱,是否包括迁移?”同时涉及价格和范围。可以拆成两个任务,也可以分别评价两个维度。强行只归入一类可能掩盖重要需求。
不要自动根据问题数量推断需求规模。大量相似表述可能来自同一来源,实际上只对应一个需求。
4. 检查页面是否回答问题中的条件
客户寻找适用于特定用途、具备指定集成且符合预算上限的方案。网页介绍了产品,却没有解释兼容性。模型可以按定义的完整性量表初步指出这一缺口。
每个条件应单独评估。没有集成信息不等于产品不支持,而是所提供的内容无法回答这一问题。下一步应核实事实;如果信息对读者有用,就补充说明。
较高的Score不是Google排名分数,也不是被ChatGPT引用的概率。它只是按你的标准对具体材料做出的评价。
5. 筛选需要检查关键词蚕食的页面组合
先按主题、查询或内容相似度选出候选页面对,再评估它们是否回应同一需求,还是支持不同决策。
模型应获得两页的核心问题、目标读者和完整内容。标题中词语相似远远不够。结果应形成编辑复核清单。是否合并页面,还要考虑其价值、流量和站内作用。
实际主题划分见:博客与知识库如何避免SEO和AI内容蚕食。
6. 评估拟议内部链接是否合理
从链接候选中选择能帮助读者完成下一步的内容。如果读者选定方案后需要准备数据,方案选择文章就可以链接到数据准备指南。
给模型的问题应针对具体段落中链接是否有用。只有主题接近还不够。程序可以另行检查URL是否有效,编辑则检查锚文本是否自然。
7. 将承诺与对比内容送交核查
发布前,可以标出包含价格、期限、结果保证或竞争对手比较的段落。这类检测有助于将文章交给了解最新服务信息的人。
这是检查步骤,不是真实性的自动认证。没有可靠来源,模型无法判断公司是否真的能在一天内启动服务。缺少来源时,文章仍需编辑处理。
如何设计可以验证的流程?
从一个任务开始,例如识别针对特定品牌的推荐。先写清推荐的定义、排除情况、不完整回答的处理规则,再搭建自动化。
保存原始材料及问题、AI产品名称、模式、语言和日期。孤立句子的评价可能不同于整条回答。没有回答、获取错误、回答未含品牌应使用不同标记。
针对同一材料的多个独立问题可以放在一个请求中,结果再用程序规则组合。如果后一个问题需要在首个结果之后才获取的数据,就必须增加下一阶段。TypeSafe的问题设计原则。
材料 -> 独立问题 -> 规则 -> 结果或人工检查。
来源缺失 -> 补充材料。评估不确定 -> 复核。定义变化 -> 重新测试。
报告应同时保存评价和标准版本。改变推荐定义后,应按相同规则重新计算比较期间,或说明可比性中断。否则分类器的改善可能被误认为品牌可见度增长。
Confidence不代表正确率保证
Choice与Score文档介绍了根据概率分布计算的“confidence”字段。它反映模型的判断有多明确。不能自动将0.9解释为:对你的AI回答,已经验证有90%的准确率。Noul不返回独立的“confidence”字段。TypeSafe对置信度的解释。
转交人工复核的阈值应根据具体任务测试确定。仅用于队列排序与用于客户报告,所要求的确定程度可能不同。高置信度仍需质量检查。
不要在不说明数量的情况下将不确定案例排除出测量。如果模型在某种语言上更常无法判断,只纳入简单案例的报告可能扭曲比较。
如何验证准确性:120条回答示例
在示例数据中,编辑评价了120条回答。模型把30条标为推荐,与编辑结果对比后,其中24条正确、6条错误。此外,模型漏掉了8条推荐。
| 模型判断 | 编辑判断为推荐 | 编辑判断为无推荐 |
|---|---|---|
| 推荐 | 24次正确识别 | 6次误报 |
| 无推荐 | 8条漏检推荐 | 82次正确判断无推荐 |
| 总计 | 32条回答 | 88条回答 |
推荐精确率为24 / 30 = 80%,意味着检测出的推荐中每5条有1条是假警报。召回率为24 / 32 = 75%,因为按编辑判断,实际推荐共有32条。模型漏掉了四分之一。
总体一致率为106 / 120,约88.3%。这个数字看起来更好,是因为大多数回答没有推荐。单靠它不足以判断分类器是否有用。
实践中,应分别准备调试标准用的案例和最终验证集。加入否定、条件式推荐、相似公司名称和不完整来源。部分材料应由两个人评价。分歧可能在评估模型前揭示定义不清的问题。
120条只用于演示计算,并非验证标准。样本大小和可接受错误率取决于目的。波兰语材料应使用波兰语验证:TypeSafe表示,目前英语是其准确性最佳的语言。文档中的语言支持。
Jev本身和整个GEO流程分别花多少钱?
2026年10月20日核查的模型价格为每百万输入token 0.042美元。Token是API计费所用的文本单位。文档称输出token免费。这是核查当日的厂商价格,不保证未来不变。模型文档中的价格。
在示例数据中,评估2000条回答,每次请求包含上下文和问题,平均输入1200 token。计算为:2000 × 1200 = 2,400,000 token;2.4 × 0.042美元 = 0.1008美元,即这一部分工作约0.10美元。
这是基于假定输入大小的计算,不是实际API调用测量。再完整运行一次同等规模的评估,费用将翻倍至约0.20美元。更长上下文和重试也会增加消耗。
| 流程环节 | 包含在约0.10美元中吗? | 需考虑什么? |
|---|---|---|
| Jev评估 | 是,按示例假设 | 实际输入token数量。 |
| 获取AI回答 | 否 | API、回答采集服务或人工工作。 |
| 获取和保存来源 | 否 | 网页访问、内容提取和存储。 |
| 质量检查 | 否 | 样本标注、分歧处理和人工复核。 |
| 准备内容修改 | 否 | 编辑、事实核查和实施。 |
因此,分类便宜并不代表整个GEO监测只需几美分。应比较完整流程成本,以及取得正确、有用结果的成本。如果每次评价都需要人工修正,单次低价可能失去意义。
厂商基准测试不能证明什么?
TypeSafe的公开评估页面描述了四个自动化流程。它以其他模型确定的参考标签评估模型。这是在特定测试设置中的比较,不是对Jev在波兰语GEO中准确性的独立评估。TypeSafe评估方法。
不要将这类图表中的单个数字直接套用到品牌推荐、内容蚕食检测或引用一致性上。它也不能证明使用Jev会增加对公司的推荐。后者需要另行评估可见度变化及测量条件。
Jev能帮助获得Google和ChatGPT引用吗?
它可能帮助发现内容缺口或整理回答评价。但单纯运行模型,不会让外部搜索引擎自动读取页面、认定其有价值并在回答中引用。
Google表示,在AI Overviews和AI Mode中作为来源出现,仍适用SEO基本要求。页面必须已被索引,并符合展示文本摘要的资格。满足要求并不保证出现。这是Google功能的指南,不是所有助手的共同规范。Google Search Central:AI功能与网站。
改善网页时,应把评价用于让读者得到更好的回答:补充条件、解释限制、添加来源、区分相似指南。Google建议制作实用、以读者为中心的内容。其垃圾内容政策涵盖主要为操纵搜索结果而大规模生成的内容。实用内容指南和垃圾内容政策。
在公司中应该从哪里开始?
先明确需要回答的业务问题:AI是否推荐品牌?是否准确描述服务?来源是否支持具体论断?每一项任务都需要不同标准。
如果刚开始,先查看公司是否出现,并完整阅读回答。明确评价目标后,准备人工标注样本。任务具有重复性,而且能够解释怎样识别正确结果时,才值得测试Jev。
查看AI是否能看到你的公司
进行免费审计
Jev与GEO常见问题
Jev能写GEO文章吗?
Jev用于结构化评估,不是自由撰写文章。在建议流程中,它可以评价文本的特定特征。内容准备与编辑仍是独立任务。
Jev会自己检查ChatGPT说了什么吗?
在本文流程中,你需要提供回答及必要上下文。收集回答、保存来源、记录测量条件需要独立处理。
能在Jev中提升公司的排名吗?
本文所述Jev不是向客户展示公司排名的搜索引擎。它可以支持分析可见度工作使用的材料。
高置信度是否意味着不需要人?
决定取决于任务上验证的准确性及错误后果。模型置信度不能独立证明正确。应保留复核路径,并定期检查自动接受的结果。
Semly使用Jev吗?
本文不确认Semly已经部署Jev,而是介绍模型在GEO和SEO分析中的可能用途、限制与测试建议。
文档和来源核查于2026年10月20日。功能与价格说明来自TypeSafe资料。情境、图示与示例数据由编辑制作,不代表Semly品牌或客户的结果。



