研究揭示 Jev 判断模型边界：代码负责模拟，Jev 负责评估

判断模型 Jev 单次调用即可为每个选项返回概率，在认知反射测试中答对 99% 的反直觉题目，但在需要模拟输入之外信息时失败，例如在 ALFWorld 中把未洗的刀直接放进抽屉。若由代码提供前瞻或物理模拟，Jev 可凭通用评估能力成为专家级控制器。