优推编辑部 
简而言之：Jev 是由美国的 TypeSafe AI 公司于2026年9月15日推出的首个 「System One 模型」。它不用于聊天、写文章或生成代码，而是聚焦于一个核心功能：输入一段状态和一组问题后，直接返回 带校准概率的结构化判断，可以立即使用。官方宣称在典型决策任务中，它的速度比主流 LLM 快193.6倍，成本低444.6倍。
一、Jev 背后的公司
这款模型出自位于旧金山的初创公司 TypeSafe AI，成立于2024年。创始团队成员包括前 OpenAI 研究员、InstructGPT 论文的合著者 Diogo Almeida，以及 Erik Gafni 和 Sasha Sheng。除了发布 Jev，这家公司还成功融资了由 DCVC 领投的 4000万美元种子轮，投后估值约为2亿美元。
关于模型的命名也很有趣：
「System One」（系统一）源自心理学家丹尼尔·卡尼曼的《思考，快与慢》。系统一指的是快速、直觉式的判断，而系统二则是慢而谨慎的推理。以 ChatGPT 为代表的大语言模型属于系统二，而 Jev 则是专注于快速决策的系统一。
「Jev」这个名字源于19世纪的经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）及其提出的「杰文斯悖论」，即当资源使用效率提高、成本降低时，总需求反而会增加。TypeSafe 的理念是，当智能的成本降到几乎可以忽略时，软件对它的调用次数将会指数级增长。
二、Jev 与大语言模型的区别
简单来说，大语言模型返回的是文本，而 Jev 返回的是决策。
传统做法是你把数据发给 LLM，让它生成一段 JSON 或自然语言，然后再花时间解析、校验和处理格式错误。而 Jev 则省去了这一过程：你预先定义好问题的类型和候选答案，模型输出的结果完全在设定的范围内，因此它的口号是「零格式幻觉」。
| 对比项 | 聊天 / 推理 LLM | Jev（System One） |
|---|---|---|
| 返回内容 | 文本字符串，需要解析校验 | 预先声明 schema 的类型化值 |
| 生成方式 | 逐 token 顺序生成 | 并行评估，一次出全部字段 |
| 置信度 | 往往过度自信 | 每个字段自带校准概率 |
| 延迟 | 3–329秒（第三方基准） | 70–500毫秒（官方数据） |
| 输入价格 | $0.20–$10 / 百万 token | $0.042 / 百万 token |
| 输出价格 | 约为输入的5倍 | 免费（「便宜到不值得计量」） |
| 失败模式 | 可能幻觉、拒答 | 不会超出 schema，但可能选错答案 |
| 适合场景 | 写作、总结、人机交互 | 分类、路由、打分 |
三、三种问题类型：Choice、Score、Noul
Jev 的请求分为两部分：状态（待评估状态，如字符串或 JSON 对象）和 问题（一组带类型的问题）。目前支持三种问题类型：
Choice（选择）：从预定义的选项中挑选合适的，返回各选项的概率分布和整体置信度。比如你可能会问一条工单该进销售、技术支持还是退款队列。
Score（评分）：按等级对输入打分，比如紧急程度「低 / 中 / 高」，返回连续分数和置信度。
Noul（是非判断）：回答「是 / 否」的问题，返回该命题成立的概率。比如「这封邮件紧急吗？」返回
{"is_urgent": {"noul": 0.999}}。
其中一个亮点是，同一次请求里的所有问题会针对同一个状态并行评估，多问几个问题几乎不增加延迟，只需消耗少量的输入 token——而这些 token 本身就很便宜。
有了概率和置信度，流程设计可以更加高效：如果置信度高于0.9就自动执行，低于阈值则转人工审核。这就是「校准」的价值——模型说 0.9，表示它大约有90%的把握是正确的。
四、实际应用场景
Jev 主要有两种典型用途：
第一种：独立于 LLM，成为软件里的「决策函数」。 例如，当监控告警进来时，你可以问 Jev「现在需要人工介入吗？」如果返回0.93，就可以直接呼叫值班工程师。整个过程没有聊天，只有你的软件和简单的 API 调用。
第二种：与 LLM 配合，作为 Agent 的「检查员」。 LLM 负责规划和写作，而 Jev 负责处理小问题，比如这个请求应该路由给哪个模型，或这一命令执行是否安全。社区里已经出现了一些有趣的用法：
Agent 护栏：在每次工具调用前先通过 Jev 的判断，拦截潜在危险。
模型路由：简单请求走成本更低的小模型，复杂问题再交给高级模型。
Agent 评估：LangChain 最近发布了「Jev-as-a-Judge」实验，用它来评估 Agent 的输出质量。
趣味演示：有人用 Jev 来读《超级马里奥》模拟器的结构化状态来打游戏，甚至在 MuJoCo 平台上控制无人机（这类项目更多是展示技术，别太指望它们的实际可靠性）。
五、如何使用 Jev？
目前 Jev 处于早期接入阶段，接入方式已经很全面：
官方 API：
POST https://api.typesafe.ai/v1/systemone，模型 IDjev-1.13.0，别名jev-latest和jev-preview。需要注意的是，它不兼容 OpenAI 接口。官方 SDK：提供 Python 的
typesafe-sdk和 JavaScript/TypeScript 的@typesafe-ai/sdk，自带重试和类型化请求响应。第三方平台：OpenRouter、Cloudflare Workers AI 和 LangChain 等已经开始支持 Jev。
核心规格（截至2026年9月20日）：
价格：$0.042 / 百万输入 token（即 $42 / 十亿 token），输出 token 免费。
上下文：每次请求支持64k token（state 加所有问题），其中 state 和最长单个问题为32k。
速率：25万 token/秒、1200请求/分钟（动态调整）。
输入：仅支持文本，图片音视频需转为文本使用，效果最好是英语。
限制：Choice 最多支持255个选项，超出需要分两次处理；不支持用客户数据进行微调。
以下是一个简单的 Python 调用示例：
REVIEW_THRESHOLD = 0.9
AUTO_ROUTE_CONFIDENCE = 0.85
needs_review = response.nouls["needs_review"].noul >= REVIEW_THRESHOLD
route = response.choices["route"]
if route.confidence >= AUTO_ROUTE_CONFIDENCE and not needs_review:
assign(ticket, team=route.choice) # 高置信度：自动执行
else:
queue_for_human(ticket, suggested=route.choice) # 低置信度：转人工
六、需要注意的几点
基准数据来自官方。TypeSafe 在发布前明确表示不提供标准基准成绩，因为榜单容易失真。所以诸如「快193.6倍、便宜444.6倍」这类数字是没有公开的，可以交叉验证的。实际应用中一定要做好自己的测试。
架构细节未公开。官方对模型细节守口如瓶，外界普遍认为它构建在某个开源 LLM 之上。
补充角色而非替代。写作、对话、复杂推理仍需要 LLM。Jev 主要是取代了调用 LLM 时只需判断，但得到一段文本的情况。
中文效果有限。官方提到，英语是主要训练语言，中文等其他语言的效果可能有所折扣，建议先在自有数据上进行校准测试。
七、它的重要性何在
Jev 的真正价值不仅在于模型本身，更在于它所代表的方向：当智能的单位成本几乎降到零，软件中那些因成本和速度一直不敢调用 AI 的决策点将会一一被激活。 每次页面渲染、每条消息路由、每个微服务分支，都可能嵌入一次模型调用——这正是「杰文斯悖论」在模型命名中的隐喻。
过去几年来，我们一直在为快速决策花费高昂的资源，而 TypeSafe 的理念是：我们需要结束这种不匹配的局面。
