JEV 是什么
Jev 是 TypeSafe AI 的第一个公开模型，2026 年 9 月 15 日发布。Jev 背后这家公司的创始人是 Diogo Almeida——前 OpenAI 研究员，RLHF 的共同发明人之一——在拿出任何产品之前就融了四千万美元。这份履历是 Jev 第一周就被大量讨论的原因。而让讨论持续下去的，是 Jev 在形态上跟所有被拿来和它比较的模型都不一样。
你用过的每一个聊天模型都是靠写字回答的，Jev 不是。让它给一张工单分类，它会写一句包含分类结果的话，然后你的代码去解析这句话、校验它、并处理它写歪的情况。Jev 把这一整层拿掉了。你在调用之前就把候选答案定好，Jev 从里面返回一个，是类型化的值，带着概率。没有东西需要解析，因为 Jev 根本不产出文字。
Jev 这么做的直接后果是快和便宜。一次 Jev 调用落在 70 到 500 毫秒之间，价格是每百万输入 token 0.042 美元，输出免费。同样的分类交给聊天模型要好几秒，成本高一到两个数量级。当同一个判断每天要跑一万次，这个差距就不再是细节，而是这个功能能不能做的前提。
还有必要说清 Jev 不是什么，因为媒体上的对比经常是驴唇不对马嘴。Jev 不是一个更小更便宜的 GPT，不是蒸馏出来的模型，也不是微调。Jev 是为另一件事训练的另一套架构，用需要写字的任务去评价 Jev，就像用尺子去称重。
SYSTEM ONE 模型是什么
这个名字借自丹尼尔·卡尼曼。系统二是慢的、刻意的、费力的；系统一是快的、自动的、直觉的。市面上所有推理模型在设计上都属于系统二——思维链本身就是卖点，想得越久表现往往越好。Jev 是另一边。System One 模型不把推演摊开给你看，Jev 看一眼状态，然后给答案。
架构上这意味着 Jev 不是语言模型，尽管 Jev 是个 transformer。Jev 没有自回归解码，所以不存在逐 token 生成的等待。一个并行采样器把请求里的所有答案一次性产出。这就是为什么对同一份状态问 Jev 六个问题，耗时和问一个差不多——这个特性直接决定了大家围绕 Jev 的设计方式。
Jev 的训练方法叫 RLCD，Reinforcement Learning for Calibrated Decisions。RLHF 优化的是人类偏好，RLVR 优化的是可验证答案，而 RLCD 优化的是概率的诚实度：Jev 说自己有七成把握时，它应该真的有七成时候是对的。校准本身就是这个模型的卖点，也正是因为有校准，Jev 给的置信度才值得你在代码里设一个阈值。
这个说法并非人人买账。一种常见的批评是：Jev 本质上就是个零样本分类器，套了前沿模型的外衣；把一个不会写代码、不会聊天、连一句话都写不出的东西叫前沿模型，是在借用它没挣到的信誉。这个质疑值得认真对待。但它解释不了的是，为什么发布一周之内就有几百位开发者把 Jev 接到了真实问题上——而记录这件事正是本站存在的理由。
JEV 怎么工作
一次 Jev 请求只有两个部分。**状态**是这次 Jev 判断所依赖的上下文——一张工单、一个页面、一段 diff、一个候选段落、一帧游戏画面——以文本或结构化对象传入。**问题**是你想让它判断什么，每个问题都要事先声明自己的类型和允许的答案。
Jev 在一次并行运算里把所有问题都答完，把结果交还给你的代码。接下来是代码擅长的事：读 Jev 给的置信度、套阈值、做权限校验、执行副作用。Jev 永远不执行动作。这个分工就是整个设计，每一个好的 Jev 接入都遵守它——模型提供判断，程序保留控制权。
这同时也是 Jev 安全性的来源。因为 Jev 不能调用工具、不能写参数、不能产生副作用，一个错误的 Jev 答案的影响半径，被限制在你的代码拿这个数字做了什么上。这跟给 agent 一套工具然后指望 prompt 能兜住，是完全不同的风险结构。
CHOICE、SCORE 和 NOUL
Jev 只有三种提问类型，这就是 Jev 全部的接口面积。这个限制本身就是设计：你没法问 Jev 任何一个你还没把答案范围画出来的问题。
- CHOICE
- 从你定义的一组选项里让 Jev 挑一个。Jev 会返回每个选项各自的概率，外加一个总体置信度——你看到的不只是赢家，还有第二名离得多近。单个 Choice 问题最多能带 255 个选项；更深的分类体系靠问题串联来做，而不是堆一个巨大的列表。
- SCORE
- 按你描述的有序档位让 Jev 给状态打分——平静、担忧、愤怒；轻微、实质、严重。Jev 返回一个连续值、背后的分布，以及置信度。因为档位是描述出来的而不是编号的，一个 Score 问题读起来像评分细则，而不是一个随手拍的 1 到 10。
- NOUL
- 问一个关于状态的判断句是否成立，Jev 返回它为真的概率。大多数防护栏都是用这个类型搭的——这次工具调用会不会造成破坏、这段引文能不能支撑这个论断、agent 是不是真的做完了。有些 SDK 把同一个类型写成 type: "boolean"。
from typesafe_sdk import Choice, Noul, Score
questions = {
"intent": Choice(instructions="Why is this customer writing in?",
criteria={"bug": "...", "billing": "...", "other": "..."}),
"is_urgent": Noul(instructions="Does the message state time pressure?"),
"frustration": Score(instructions="How frustrated does the customer sound?",
criteria=["Calm", "Concerned", "Angry"]),
}因为 Jev 是并行求值的，常见的设计手法是多问几个用不上的，让代码去丢弃不相关的答案。TypeSafe 自己的 playbook 把这叫投机式扇出，它之所以划算，是因为 Jev 的输出定价为零。
JEV 到底返回什么
每一个 Jev 答案都带着校准过的置信度，而这个数字是整个响应里最有用的东西。它让你的代码能表达一个裸标签表达不了的策略：0.8 以上自动执行，0.5 到 0.8 之间执行但打标抽检，低于 0.5 不执行、转人工。阈值写在你的代码里，你可以推敲它、测试它、改它，不需要重训 Jev。
Jev 也不可能产生类型错误。答案是从你给的 schema 里抽出来的，所以不存在格式错误的 JSON、不存在凭空多出来的枚举值、不需要在解析器外面套重试循环。TypeSafe 报告 Jev 的结构化输出错误率和工具调用错误率都是 0%——跟准确率那些数字不同，这一条是架构决定的，不是训练出来的。
import { experimental_evaluate as evaluate } from 'ai';
const result = await evaluate({
model: 'typesafe-ai/jev',
state: 'The support agent issued a full refund to the customer.',
questions: {
refunded: {
type: 'boolean',
instructions: 'Was a refund issued?',
},
},
});
if (result.refunded > 0.8) closeTicket();JEV 多少钱
Jev 的价格是每百万输入 token 0.042 美元，输出免费——TypeSafe 的原话是「便宜到不值得计量」，当输出只是几个浮点数而不是一篇文章时，这话确实好说。Jev 所有接入路径都没有免费额度，第一次 Jev 调用和之后每一次一样计费。
具体点说：每月五十万次判断、每次输入 800 token，用 Jev 不到二十美元。同样的量交给 Jev 在基准里对标的那一档通用模型，是几百到上千美元。我们的「Jev 对比文本大模型」页面有一个可以拖的计算器，你能看到自己的量级落在哪里。
有一项 Jev 的参数是真的说不清。Jev 的上下文窗口，各家说法不一。Vercel 的模型页写的上下文窗口是 32,000 token，而好几篇媒体报道写的是 64k。我们没能从一手文档里把它定下来，所以这里标注冲突，而不是替你选一个。
JEV 的基准成绩怎么读
有两个数字跟着 Jev 到处跑：快 193.6 倍、便宜 444.6 倍。它们是真实测量值，但来自一段 Jev 玩 Doom 的录像演示，不是基准测试套件。套件的数字没那么好看，但有用得多。
| 模型 | 准确率 | 单次成本 | 延迟 |
|---|---|---|---|
| Jev | 67.8% | $0.0004 | 0.4s |
| GPT-5.6 Terra | 67.9% | $0.0304 | 10.1s |
| GPT-5.6 Sol准确率最高 | 74.1% | $0.0836 | 23.3s |
| Opus 5 | 73.1% | $0.1761 | 37.8s |
先看准确率那一列，再看成本。Jev 在准确率上没赢。在 TypeSafe 自己的 711 个用例套件里，Jev 与 GPT-5.6 Terra 打平，比 GPT-5.6 Sol 和 Opus 5 低 5 到 6 个百分点；在最弱的子项——发票处理上，差距比汇总数字显示的大得多。
Jev 赢的是比值，而这个比值非常可观：拿到跟 Terra 差不多的准确率，只花大约 1/76 的成本、1/25 的延迟。如果你的判断能接受 Terra 那个档次的准确率——大多数路由、分诊、过滤类判断都能，因为不确定的那些本来就会被人或更大的模型复核——那 Jev 不是妥协，而是用低两个数量级的代价拿到同一个答案。
如果你的判断需要 Sol 或 Opus 那个档次的准确率，而且没法用置信度阈值兜住，那 Jev 就不是答案，省多少钱都改变不了这一点。
关于 Jev 的任何基准说法都该附两句提醒，包括这一页上的：Jev 的权重没有公开，上面那张表是卖这个模型的人自己打的分，没有别人复现过；而所谓准确率，衡量的是与模型生成的参考答案的一致度，跟客观正确不是一回事。针对 Jev 的独立评测现在是有的——列在下面，而且它们对 Jev 也谈不上客气。
对 Jev 的独立第三方评测
上面那张表是 TypeSafe 自己做的。下面这四项对 Jev 的评测不是：每一项都由公司外的人跑出来，样本写明，原始数字公开。其中三项是预注册的——方案在发出第一次 Jev 调用之前就冻结并取了哈希，事后没法再改判定标准。这四项加起来，是目前能拿到的、关于 Jev 实际表现的最硬的证据。
PubMedQA 的是非题上，Jev 得 69.0，Gemini 3.8 Flash 得 73.0——Jev 在统计意义上与六个大模型里最好的那个打平，价格是它的 1/28。Banking77 的多选题上，Jev 得 67.8，Gemini 得 74.1，Jev 这次没能追平。HelpSteer2 的评分题上，包括 Jev 在内没有一个模型明显赢过按标签基准率瞎猜。Jev 每一个判断的概率都按 CC BY 4.0 公开了，谁都可以自己复算。
样本: 7 models × 3 task types × 300 items × 5 runs = 31,500 scored decisions
对 Jev「校准过」这个说法给出的是一半一半的结论。CLINC150 上成立：Jev 的置信度与实际正确率每一档差距都在 2.5 个百分点以内（ECE 0.0204）。Banking77 上不成立（ECE 0.0936）——Jev 声称 0.86 的置信度，实际只对了 67%，是系统性的过度自信。类型安全这一条则完全站住：8576 次 Jev 响应里，没有一次答出给定选项之外的东西。这是「Jev 不会幻觉」这句话唯一被独立验证过的部分。
样本: Banking77 3,080 items + CLINC150 5,496 items
给 Jev 的 state 用西班牙语写而不是英语，Jev 在 XNLI、PAWS-X、MASSIVE、Belebele 上一律掉 3.0 到 6.4 个百分点，校准误差大约翻倍（XNLI 从 0.057 到 0.101）。可自动放行的比例（p ≥ 0.9）从 72.2% 降到 63.4%。而把给 Jev 的 instructions 改成西班牙语，什么变化都没有——所以结论是 state 跟着数据走，instructions 一律留英文。
样本: 3,200 paired human-labelled items, 19,200 calls, jev-1.13.0 version-pinned
Jev 的校准误差是 0.1472，GPT-4.1 是 0.2393；Jev 的账单是 4.02 美元，GPT-4.1 大约 136 美元，约三十四分之一。更值得记住的是关于提问设计的那条：同样问 Jev，把一个是非题写成 Noul 而不是两选项的 Choice，对结果的影响比换模型还大。也就是说用 Jev 的时候，问题怎么定型比选哪个模型更要紧。
样本: 300 synthetic respondents × 108 questions, Twin-2K-500
什么时候别用 JEV
下面这些不是边角案例，它们就是 Jev 这个模型的形状。知道它们，基本上就是「Jev 接得好」和「Jev 悄悄退化」之间的全部差别。
它什么都写不了
写不了工具调用的参数，写不了回复，写不了摘要。Jev 返回的是一个判断，永远不是文字。任何需要产出语句的流程，仍然需要一个文本模型。
链式推理会让它变差
当一个问题需要好几步相互依赖的推导时，准确率会明显下降。第三方独立实测发现，数学计算、日期推算、间接引用这三类都会削弱它。
只吃文本和结构化状态
没有视觉、音频、视频输入。截图理解和图像审核目前都不在它的形状之内。
非英文的 state 会掉准确率
一次针对 3200 条人工标注样本的预注册配对审计发现：把 state 用西班牙语写而不是英语，准确率掉 3.0 到 6.4 个百分点，校准误差大约翻倍。而把 instructions 改成西班牙语，什么变化都没有。如果你的数据不是英文的，先自己测一遍再决定信不信它。
它可能很自信地答错
它编不出你没给的选项——这才是「不会幻觉」的真实含义。但它完全可能以很高的置信度选错，而且不会附带任何自然语言解释。
判断标准归结成一句话：高频、重复、共享状态、且所有可能答案在调用前就已知的判断，交给 Jev。其余的仍然需要文本模型——实际上大多数系统是两个一起跑，Jev 当便宜的闸门，挡在贵的那个前面。
怎么开始用 JEV
TypeSafe 在 2026 年 9 月 20 日撤掉了 Jev 的等待名单，所以现在最直的路就是去控制台开个号，还自带 5 美元额度。想走网关也行，价格一样：Vercel 的 AI Gateway 通过 AI SDK 的 experimental evaluate 路径把 Jev 暴露为 typesafe-ai/jev；Cloudflare Workers AI 和 OpenRouter 也都提供 Jev。官方 SDK 是 Python 的 typesafe-sdk 和 JavaScript 的 @typesafe-ai/sdk，LangChain、Pydantic AI 以及一批 MCP server 都已经原生支持 Jev。
判断 Jev 适不适合你的问题，最快也最诚实的办法是看看别人已经把它指向了哪里。本站的开源项目索引和决策模式页面加起来，基本覆盖了 Jev 接入的大部分形态。
