「用便宜模型做第一轮判断，再把难题交给强模型，Hightouch把身份解析评测成本打下来了」Hightouch这篇文章讲的不是生成内容，而是一个更落地也更麻烦的问题：怎么判断身份解析有没有把两个人错并成一个人，也就是 over-merge。这个环节过去很依赖人工抽样，速度慢、样本少，还很难把误差压下去。Hightouch用模拟城镇数据做了 1000 个测试身份，让 Jev、GPT-6 Luna 以及 Claude Opus 5.5 等模型来判断一组记录到底对应几个人。结果很直接：便宜的小模型单独用时已经不差，Jev 和 Luna 在简单测试里准确率分别约为 95.7% 和 97.3%，成本却只要每千条 0.05 美元和 0.10 美元；但一到更复杂的样本，前沿模型的优势就回来了，Opus 仍然最稳。真正有意思的是他们没把问题做成“二选一”，而是做了混合评测：先让 Jev 这类决策模型跑第一遍，只把置信度处在模糊区间的样本转交 Opus 复核。这样在简单测试里，Hybrid Jev 以每千条 0.88 美元做到 98.8% 准确率，接近 Opus 单跑的 99.0%，成本却低了 4 倍多；在更难的数据上，Hybrid Jev 甚至比 Jev 或 Luna 单独跑稳得多。文章最关键的判断也在这里：不是谁单次分数更高，而是谁的置信度校准更靠谱。Luna 单看成绩更亮眼，但过度自信，反而不利于做“低价初筛+高价复核”的系统；Jev 虽然基础分稍低，置信度却更老实，因此更适合做真正可扩展的混合架构。这篇文章的价值，在于它把“用小模型省钱”从一句口号，变成了一套能随样本难度动态调配成本和精度的工程方法。 hightouch.com/blog/llm-judges-identity-resolution