Jev 實測：Choice、Score、Noul 三種題型，與 RLCD 為何比 RLHF 更誠實
近期 typesafe 的 Jev 模型非常火熱，專門為了結構化決策與機率校準（Probability Calibration）所設計的全新強化學習訓練方法。它完全打破了傳統大模型「生成文字」的範式，專注於提供極速、高精確度的「強型別（Typed）」決策。
從Jev的官網可以看到幾個特點：
Unity CLI 串接 Claude Code：unity-editor-mcp 安裝、142 個工具與 subagent 消化大型場景
執行安裝 unity-editor-mcp
unity mcp configure claude-code
安裝結果：
Running: claude mcp add --scope user --transport stdio unity-editor-mcp unity mcp
Added stdio MCP server unity-editor-mcp with command: unity mcp to user config
File modified: C:\Users\joker****\.claude.jsonEverett 多世界詮釋：總態沒有塌縮，觀測者只記得一個結果
在Everett的闡述中，總態保留所有項，但觀測者仍舊只會記得一個確定結果
測量後得到總態如下：
$$
|\Psi\rangle
=c_0|0\rangle|O_0\rangle+c_1|1\rangle|O_1\rangle
$$
用「相對狀態」來解釋：
- 相對於記憶態 $|O_0\rangle$，系統是 $|0\rangle$。
- 相對於記憶態 $|O_1\rangle$，系統是 $|1\rangle$。
