Jev 完全指南：为更快决策而生的前沿 AI

编者说明：本文根据 unicodeveloper 发表于 Medium 的文章 《The Ultimate Guide to Jev: The new Frontier AI for faster decisions》翻译、整理，并结合 Jev 当前官方资料核对关键数据。原文发表于 2026 年 9 月 17 日，观点与案例归原作者及相关项目作者所有。

快速答案：Jev 是 TypeSafe AI 推出的“System One”模型。它不生成长文本，而是接收程序状态和类型化问题，在一次并行计算中返回 Choice、Score 或 Noul 等结构化概率决策。官方宣称端到端延迟约为 70–500 毫秒，输出 token 免费，而且结果不会超出预先定义的类型空间。

价格更新（2026 年 9 月 27 日）：原文和部分官方本地化页面仍写每百万输入 token 0.042 美元；Jev 当前英文官网显示为 0.084 美元。本文保留原文发布时的数字，同时以当前官网价格为准。

Jev 究竟解决什么问题？

你有一个能理解语言的模型，但真正需要的只是一个让代码可以分支执行的决定。传统做法通常是先让模型生成自然语言，再写第二套程序把决定从自然语言里“抠”出来。

你会提示模型“只返回有效 JSON”，然后解析、校验；发现它把对象包在 Markdown 代码块里，就再处理一次；它把枚举值 technical 写成 technical support，就需要重试；它没有回答而是先道歉，又要准备兜底逻辑。

第二套程序并不小。在许多生产 AI 系统中，它占据了相当一部分代码，也制造了大多数不稳定性。TypeSafe AI 创始人 Diogo Almeida 曾说，他在 OpenAI 参与了让语言模型更善于遵循指令和与人交流的方法，这些研究后来成为 ChatGPT 的基础；但他逐渐意识到，仅靠聊天模型通往 AGI 还缺少一个重要部分。

于是，这位曾帮助模型学会“与人说话”的研究者，花了两年时间打造一个只与软件“说话”的模型。

什么是 System One 模型？

System One 模型是一类为软件直接使用而设计的 AI：它快速做出结构化判断，返回类型化的值和经过校准的概率，而不是生成自由文本。

心理学中的 System 2 是缓慢、审慎的推理；System 1 则是你还没读完整句话就已经形成的快速判断。LLM 逐 token 生成答案，代码随后再解析、校验和重试；Jev 则同时评估所有问题，直接返回已经合法的值。

几乎所有前沿实验室都在争相强化 System 2，但现实软件里的大量决策其实属于 System 1。我们过去一直为这些简单、高频、答案空间明确的判断支付 System 2 的成本。

区别不只是模型大小。LLM 的答案逐 token 生成，因此延迟随输出长度增长，最终得到的字符串理论上可以是任何内容。Jev 接收状态和全部问题，一次并行计算后，从开发者预先定义的答案空间中返回类型化结果。

Jev 这个名字致敬经济学家 William Stanley Jevons。杰文斯悖论认为，当某种资源的使用效率大幅提高、价格显著下降时，人们往往会使用得更多。TypeSafe AI 的判断是：当智能成本下降到原来的两百分之一，它不只是打折后的旧产品，而会让一整类过去不值得自动化的决策变得可自动化。

Jev 与前沿 LLM 的区别

Jev 放弃了文本生成，换来更快的响应、固定的输出类型和可用于系统控制的置信度。它适合分类、路由、评分、过滤与门控；LLM 则适合写作、解释、复杂推理、代码生成和开放式对话。

因此，Jev 并不是“更小、更便宜的 Claude 或 GPT”。它更像一个带有前沿语言理解能力的智能函数调用，或者一个能理解模糊语义的 if 语句。

如何使用 Jev？

一次调用包含一个 state，也就是待判断的内容，以及一组问题。Jev 提供三种问题类型：

• Choice：从你定义的选项中选一个，最多 255 个选项。
• Score：按照 2–10 个用自然语言描述的有序等级给状态评分，并允许返回等级之间的位置。
• Noul：回答一个是/否问题，返回“是”为真的概率。

下面是一个客服工单分流示例。三项判断只需一次往返，原文称大约 400 毫秒：

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

client = TypeSafeClient()
ticket = (
    "Hi, I've been trying to connect my Stripe account for 3 days "
    "and it keeps failing. I'm losing sales. Please help ASAP."
)

response = client.system_one(
    state=ticket,
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
                "sales": "Pricing or account questions",
            },
        ),
        "frustration": Score(
            instructions="How frustrated the customer appears",
            criteria=[
                "Calm, just stating facts",
                "Frustrated but civil",
                "Very angry, strong language",
            ],
        ),
        "is_urgent": Noul(
            instructions="The message conveys urgency or time-sensitivity"
        ),
    },
)

print(response.answers["department"].choice)   # "technical"
print(response.answers["frustration"].score)   # 1.035
print(response.answers["is_urgent"].noul)      # 0.999

这里没有“请务必只输出 JSON”之类的格式提示，也不需要把 json.loads 包进异常处理。Score 返回的是在你定义的刻度上的位置，而不是简单标签，所以 1.035 表示它略高于第二档。Choice 和 Score 还会同时返回完整概率分布和 confidence。

原文还给出了 Valyu 深度检索与 Jev 结合的临床研究例子：Valyu 先从 PubMed 与 arXiv 检索 GLP-1 受体激动剂和心血管结局相关论文；Jev 再为每篇论文判断它是否为随机对照试验、是否报告 MACE，并对因果证据强度评分。只有超过设定阈值的论文进入短名单。这里，检索负责找资料，Jev 负责做有边界的判断。

为什么“校准后的置信度”会改变系统设计？

Jev 不只返回答案，还返回一个说明答案应被信任到什么程度的数字。答案告诉你“是什么”，置信度告诉你“是否应该行动”。对整个系统只设一个统一阈值，是常见错误。

TypeSafe 把其训练方法称为 Reinforcement Learning for Calibrated Decisions（RLCD）。RLHF 优化人类偏好，容易得到听起来很有把握的回答；RLCD 则把概率与实际结果对齐。理想情况下，一组置信度为 0.9 的预测，长期统计上应有约 90% 正确。

action = response.answers["intent"]

if action.confidence < 0.5:
    route_to_human(user_message)
elif action.choice == "check_balance":
    show_balance(account_id)
elif action.choice == "approve_transfer":
    if action.confidence > 0.85:
        confirm_then_execute(account_id)
    else:
        ask_user_to_confirm(account_id)

这里没有单一阈值。打开错误页面可能只浪费用户三秒，错误批准转账却会造成资金损失。错误后果越严重，无人监督自动执行的门槛就应越高。这个门槛存在于代码里，是可测量、可回滚的产品决策，而不是藏在提示词里的模糊愿望。

需要注意，校准描述的是一组预测的统计性质，不保证每个单独答案都正确。置信度 0.95 仍然可能错。它提供的是一个在整体上表现可预测的控制旋钮，而不是对单次判断的承诺。

什么时候应该用 Jev，什么时候继续用 LLM？

当答案空间已知且有边界、吞吐量或延迟是主要约束，或者你需要用校准置信度来控制动作时，适合使用 Jev。当任务需要生成文字、做算术、解释原因或进行开放式推理时，应使用 LLM。

Jev 并不是在和 Opus 5 或 GPT-5.6 争夺同一个位置。它真正替代的是“用廉价 LLM 加几百行解析代码拼出来的分类器”，以及那些因为经济账不成立而从未被自动化的判断。不要掉进“一种模型解决所有问题”的陷阱。

最划算的架构：级联

Jev 不是前沿 LLM 的替代品，而是决定哪些请求值得调用前沿 LLM 的那一层。最有意思的架构不是“替换你的 LLM”，而是把 Jev 放在快速、便宜、可校准的入口位置。

多数请求经 Jev 分类后可由普通代码直接处理；一部分路由给带有正确上下文的专用模型；真正困难、昂贵的少数任务，才交给前沿模型或人工。

原文以 100 万张客服工单计算：全部交给前沿模型、按每单约 0.03 美元估算，总成本约 30,400 美元；级联架构为每张工单先支付约 0.0004 美元，只让 20% 进入前沿模型，总成本约 6,480 美元。更值得注意的是响应时间：约 80 万张工单能在半秒内完成判断，而不是等待十秒。

级联比例由置信度阈值决定。阈值写在代码中，可以回滚，也可以根据“升级请求后来是否真的有必要”持续衡量。团队无需重新训练模型，就能调整系统行为。

已经有人用 Jev 构建了什么？

以下项目都来自发布后的头几天，应被视为发布周实验，而不是成熟生产案例。数据大多由作者自行报告，但它们很好地展示了 Jev 适合的问题形态。

1. 用 8 美分分类 1,018 篇研究论文

1kpapers.com 由 Hassan El Mghari 制作，用 Jev 批量判断研究论文。它展示了高吞吐、答案空间明确的语义分类为什么适合 System One 模型。

2. 7 秒完成机票预订的浏览器智能体

browser-use/jev-ultrafast 在真实 Google Flights 上完成苏黎世到伦敦的预订流程，作者报告用时 7.1 秒、成本 0.0039 美元，包含文本生成和页面加载。它同时询问 click、type 和 select 等候选目标，最后只执行与选中操作匹配的那个：两个决策，只需一次网络调用。

3. 每一步成本不到半美分的 Computer Use

awlevin/typesafe-computer-use 读取 Mac 屏幕上的 OCR 结果，让 Jev 选择下一步动作；只有遇到真正需要自由文本的输入框时，才调用写作模型。作者报告 Jev 每次决策约 0.0002 美元，12 步任务约 0.003 美元，模型延迟 0.13–0.38 秒；对比中，直接把截图交给 Claude Opus 5 的每次决策约 0.032 美元。

代价也很明确：前沿模型顺手完成的日期理解、空间推断等能力，需要在 Jev 流程周围被重建为确定性状态。

4. 每个区块都做决策的做市程序

jarrodwatts/jev-trader 把 Jev 用在区块链做市场景中。它代表的是另一类高频判断：允许的行动集合明确，但每个区块的状态都在变化。

5. 以 2.5Hz 做战术判断的自主无人机

RomanSlack/jev-drone 让四旋翼在 MuJoCo 中只用机载相机飞过五站障碍路线。这个项目最值得学习之处，是它非常清楚地限制了 Jev 的职责：

• 500Hz 几何飞控：普通代码；
• 50Hz 导航与安全反射：普通代码，始终掌握安全；
• 15Hz 相机到符号场景：传统计算机视觉；
• 约 2.5Hz 战术判断：Jev，仅提供建议。

计算机视觉先把深度和分割结果压缩成五个前向距离区域、障碍高度与目标方位。Jev 再一次回答三个问题：动作 Choice、风险 Score，以及目标是真的丢失还是暂时遮挡的 Noul。项目 README 说得很清楚：Jev 不能做感知层，也不能以控制频率运行。

6. 从内存而不是像素玩《超级马里奥》

fhshaik/typesafe-mario 是一个 NES 控制实验，Jev 从七种合法动作中选择一个。模型从不看截图；运行框架把模拟器遥测和 RAM 转换成紧凑、以对象为中心的 JSON，包括马里奥的运动、跳跃轨迹、即将出现的敌人、地形、响应延迟和最近动作结果。

它展示了 Jev 强迫开发者遵守的一种纪律：在提出判断问题之前，你必须先决定“状态究竟是什么”。

其他值得关注的项目

• phyous/tsai-sc 让 Jev 完成《星际争霸》共享版的第一个战斗任务 Strongarm，共做出 421 次模型决策，并发布验证报告。
• TypeSafe Typewriter 会随着输入实时更新 16 个类型化判断，是体验亚秒级结构化判断最直观的演示之一。

所有这些案例都有同一个模式：循环、安全机制和算术留在普通代码里，只把代码难以表达的狭窄判断交给 Jev。

粗糙边缘与安全限制

TypeSafe 在“jaggedness”页面中公开了 Jev 的已知缺点。它会按字面理解指令，回答你真正写下的问题，而不是你心里想问的问题；当状态中塞入与问题无关的材料时，准确率会下降；它也不会自动把 state 当成可能具有敌意的输入，因此，专门为影响分类结果而设计的文本可能改变答案。

如果 state 含有用户可控内容，抵御提示注入、数据投毒和策略绕过仍是应用开发者的责任。Jev 可以保证输出类型合法，却不能保证合法值一定正确，更不能替代权限检查、交易确认、安全联锁或人工审批。

一个必须认真对待的发现

TypeSafe 的评测显示，每个模型放进结构化工作流后，成绩都比用同一政策写成单个提示更好。Haiku 4.5 从单提示的 18.1% 提升到工作流中的 53.6%；Opus 5 从 64.8% 提升到 73.1%。这些是厂商发布的评测数据，应结合任务和测试设置理解。

即使你暂时不用 Jev，这个结论仍然重要：把任务拆成狭窄、类型明确的判断，会改善你已经在付费使用的模型。系统设计通常比换一个更强模型更能决定最终可靠性。

常见问题

Jev 是什么？

Jev 是 TypeSafe AI 推出的 System One 模型。它接收程序状态和类型化问题，用一次并行计算返回结构化概率决策，而不是生成自由文本。

谁创建了 Jev？

TypeSafe AI 于 2024 年在旧金山成立，创始团队包括 CEO Diogo Almeida、COO Sasha Sheng 和 CTO Erik Gafni。原文称 Almeida 曾参与 RLHF、InstructGPT、ChatGPT 和 GPT-4 相关工作。

Jev 多少钱？

原文发布时写的是每百万输入 token 0.042 美元，输出免费。2026 年 9 月 27 日，Jev 当前英文官网显示为每百万输入 token 0.084 美元，输出仍免费。价格可能继续变化，使用前应查看官方页面。

Jev 比 GPT-5.6 或 Claude Opus 5 更快吗？

在 TypeSafe 自己的 System One 任务基准中，Jev 明显更快。原文列出每个案例约 0.4 秒，而 GPT-5.6 Terra 为 10.1 秒、Sol 为 23.3 秒、Opus 5 为 37.8 秒。这些是厂商自报数据，并未在相同条件下得到广泛独立复现。

Jev 会产生幻觉吗？

它不能返回你定义的 schema 之外的值，这是架构保证；但它仍可能返回错误的合法值。“零类型错误”不等于“零判断错误”。

Jev 能写文章、代码或摘要吗？

不能。它不是为生成文本而训练的。生成内容应交给 LLM，Jev 更适合决定如何处理这些内容。

Choice、Score 和 Noul 分别是什么？

Choice 从最多 255 个选项中选一个；Score 按 2–10 个有序等级评分，并可返回等级之间的位置；Noul 返回一个是/否命题为真的概率。

应该用 Jev 替换现有 LLM 吗？

不应该。更有效的模式是级联：Jev 在入口便宜地分类与路由，普通代码处理确定性部分，前沿模型或人工负责少数真正困难的任务。

来源与延伸阅读：

• unicodeveloper：The Ultimate Guide to Jev
• Jev 官方网站
• Jev 官方功能说明