该论文提出 SecJev，作者称其为首个面向安全领域的 Jev 类决策模型家族，参数规模覆盖 0.8B 到 9B。其出发点是：安全运营流程需要模型把复杂观测与显式策略转化为可执行决策，而 Jev 提出的 System One 模型能输出带类型的预测及概率，但缺乏安全领域的专业知识。SecJev 在 Kev 的单遍候选打分器（single-pass candidate scorer）基础上构建，能够从文本、遥测数据和历史观测中学习布尔决策、选择决策和有序决策三类输出。为支撑训练与评测，作者构建了 SecJev-Corpus，统一了源标签预测与显式策略评估两类任务，覆盖 14 项任务和 8 类数据源，包括工具输出、网络流量、联邦学习更新、共识消息、身份认证以及车辆报文。训练时采用场景加权（scene-weighted training），使模型能跨域适配，同时保持统一的类型化决策接口。实验结果显示：安全领域特化使家族中每个模型都获得提升，其中 SecJev-0.8B 在任务宏平均准确率上比通用 Kev-9B 高出 20.51 个百分点；与仅答案生成式微调相比，准确率和延迟接近，但推理峰值内存更低。在新数据源分组上测试，SecJev 在提示注入（prompt-injection）和流量决策任务上相对 Kev 仍有增益，同时存在与抓包/捕获窗口相关的误报。作者开源了适配器、决策头、SecJev-Corpus 以及训练和推理代码。