JEV（Jev）图像决策是 TypeSafe 推出的视觉决策模型，和普通 VQA 看图问答不一样，它不生成自由文本，直接输出带概率的结构化判定结果，支持 Choice 单选、Noul 二分类、Score 打分、Box 框选四类指令，网上放出的 4 组 Python 示例就是围绕这四种基础能力写的，基于官方 Python SDK 调用 jev-1.14 版本，开启图像预览头之后可以直接传入图片，同一张图像只编码一次，批量跑多个独立问题，大幅降低推理耗时、减少 token 消耗，适合巡检审核、商品质检、表单识别、画面目标定位这类业务自动化场景，示例代码包含图片预处理、base64 封装、结果置信度判断、置信门控分支逻辑，新手安装 SDK、配置 API Key 就能本地调试，把图像判定结果直接给到业务代码做自动分支，不用额外写复杂的 JSON 解析逻辑。
一、JEV 图像决策四类问题类型对照表
| 类型 | 英文标识 | 输出形式 | 适用场景 |
|---|---|---|---|
| 单选判定 | Choice | 多个选项概率分布 + 置信度 | 面料图案分类、商品类目判定、画面主体选择 |
| 二分类判定 | Noul | 0~1 校准概率，是 / 否判定 | 图片是否含目标物体、是否违规、是否符合规范 |
| 等级打分 | Score | 有序等级的概率 + 期望分数 | 图片品相打分、单据完整度评级、瑕疵严重程度 |
| 目标框选 | Box | 图像内目标坐标框 | 定位单据签名位置、定位产品缺陷区域 |
二、4 组 Python 示例对应的功能说明
- Choice 示例：图像多选项分类。加载一张面料图片，给条纹、格子、碎花等候选标签，JEV 返回各个图案匹配概率，用来做外观质检分类。
- Noul 示例：图像二元判断。传入产品实拍图，提问图片内是否存在破损异物，输出 0-1 之间的校准概率，配合置信阈值自动放行或者转人工复核。
- Score 示例：图像分级打分。上传单据照片，按完整、轻微缺失、严重缺失三级打分，返回分数分布，适合 RPA 单据预审。
- Box 示例：图像目标框定位。在证件图片中框出签名区域，返回坐标，对接后续裁切、OCR 流程，jev-1.14 才支持该类型。
三、Python 调用前置准备清单
- 安装 typesafe-sdk 依赖包，建议使用 Python3.10 及以上版本。
- 准备 API Key，调用图像能力需要在请求头带上 TypeSafe-Danger-Zone-Images:true。
- 图片预处理：统一转为 RGB、校正 EXIF 方向、填充到固定尺寸，避免缩放变形干扰判定。
- 图片传输两种方式：本地图片转 base64，或者传入公网图片 URL。
- 环境支持：支持 OpenRouter 接入，也可以对接本地部署 Visual Jev 版本。
四、核心调用流程
- 加载图像，做尺寸、色彩预处理，封装成 JevImage 对象或者 base64 数据。
- 定义 state 上下文，把图片和说明文本一起送入请求。
- 编写 questions 字典，选定类型、填写判定指令、候选选项或者打分等级。
- 发起 SDK 请求，模型复用一次图像编码，并行计算多个问题结果。
- 读取返回的 probabilities、confidence、box 坐标，业务层写阈值分支。
五、实操避坑要点
- Box 框选功能只支持 jev-1.14 及更新版本，低版本直接返回报错。
- 图像能力目前属于预览特性，稳定性不如文本决策，高风险业务建议设置置信门限，低置信结果走人工。
- 同一张图批量多问题优势明显，相比串行单请求，最高提速接近 8.9 倍。
- 图像计费按输入 token 统计，不会单独收取图片费用，大图会消耗更多 token。
- Visual Jev 开源版本基于 Qwen3-VL-4B 骨干 + LoRA 适配器，可以离线本地跑，不需要云端 API。
【常见问题】
问题 1：JEV 图像决策的这四个 Python 示例分别对应什么能力？
回答 1：JEV 图像决策四个 Python 示例依次对应 Choice 单选分类、Noul 二分类判定、Score 等级打分、Box 目标框选，覆盖 Jev 图像模式全部四类原生结构化决策接口。
问题 2：JEV 图像决策和普通看图 VQA 模型有什么区别，为什么适合 Python 自动化流程？
回答 2：普通 VQA 输出自由文本，需要额外解析；JEV 图像决策直接输出标准化概率结果，这四份 Python 示例也是直接拿结构化返回值做 if 分支，更容易接入 RPA、审核流水线。
问题 3：跑 JEV 图像决策 Python 示例的时候，开启图像预览的请求头是什么？
回答 3：调用 jev-1.14 图像能力，必须在请求头增加 TypeSafe-Danger-Zone-Images:true，否则接口拒绝图片入参，这份 JEV 图像决策 Python 示例里也标注了这个配置。
问题 4：Visual Jev 本地版和云端 JEV 图像决策 Python 示例代码能不能通用？
回答 4：接口契约一致，问题定义格式相同，只需要替换客户端和模型地址，JEV 图像决策的四类示例脚本修改少量连接代码就能切换本地 Visual Jev。
【参考资料】
[2026-11-13]（JEV Image Processing in Python With 4 Practical Examples）madewithjev.com
[2026-10-31]（Jev 怎么学：3 条学习路径，从快速上手到生产落地）jev101.org
[2026-10-16]（prompt_jev () now works on images）MotherDuck
[2026-10-07]（JEV 27B VL 模型介绍）Interfaze
[2026-09-28]（Visual Jev: Accurate and Efficient Decisions from Shared Visual Context）arXiv
【免责声明】
本文为 JEV 图像决策 Python 示例技术科普解读，Jev 图像能力处于预览阶段，接口字段、请求头、计费策略、模型版本随时调整；开源 Visual Jev 与云端 TypeSafe Jev 是两套部署形态，落地前以官方 SDK 文档、模型发布页为准，本文不构成生产环境上线承诺。