最近刷屏的Jev，到底是个什么东西 Original en chino
Agent时代最缺的不是更会说话的模型，而是海量、便宜、可校准的判断。它不聊天、不写代码、不生成任何一段文字，只返回三个东西：选项、分数、是或否。这个模型叫Jev，目前已经全面开放。
现有的大模型几乎都是为「人」优化的：RLHF训练模型输出人类喜欢的文字，哪怕你的程序只需要一个「是」或「否」，它也会先生成一段话，再由代码解析、验证、重试。
TypeSafe AI的创始人Diogo Almeida参与了这套范式的奠基——InstructGPT和早期RLHF研究都有他，这些成果后来构成了ChatGPT的技术底座。但他离开OpenAI后的结论是：聊天能力超过人类的模型，并没有带来自动化。「人对着屏幕用」和「软件自己在后台跑」是两个场景，后者的瓶颈从来不是模型不够聪明，而是判断太慢、太贵、还不可信。
9月15日，他隐身开发两年后创立的TypeSafe AI带着4000万美元种子轮（DCVC领投，团队位于旧金山）发布Jev，定位为一个全新类别：System One Model，名字取自卡尼曼《思考，快与慢》里的「系统一」——快、直觉、负责海量小判断。截至目前，Vercel AI Gateway上线24小时内有近13%的付费团队用过它，是GPT-5.6系列同期的两倍以上；到9月20日，团队覆盖率27.8%、请求量占比20.8%。9月21日，TypeSafe宣布取消候补名单全面开放，新用户送5美元额度。发布帖在Hacker News拿到1715个赞登顶，据国内媒体报道，上线不到36小时有14万开发者涌入内测。
LLM 与Jev的区别是什么呢？
关键区别不在于Jev生成速度更快。Jev 根本不生成文本。传统的LLM接收上下文，并逐个生成 token。即使输出是一个小型 JSON 对象，每个 token 也依赖于上下文。
Jev 热门使用案例
40 秒分析 724 条竞品广告
40 秒个性化推荐 700 条高意向潜在客户
相关链接
- 官方博客：https://typesafe.ai/blog/introducing-system-one-models-and-jev
- 官方文档：https://docs.typesafe.ai/
- 工作流评测站：https://evals.typesafe.ai/
- Vercel接入公告：https://vercel.com/changelog/typesafe-ai-jev-now-available-on-ai-gateway
- 独立实测：https://capitalandcompute.net/blog/typesafe-jev-system-one-models-cost-use-cases
内容介绍
一句话定义：输入一段非结构化状态（工单、页面、日志、Agent轨迹），外加你预先定义好的问题，Jev在70到500毫秒内返回类型安全的结构化判断，每个答案带校准过的置信度。
只支持三种问题原语，可以混在一次调用里：
- Choice：从给定选项里选一个。工单该转给billing、technical还是sales，它不解释，直接返回{billing:0.08, technical:0.85, sales:0.07}加一个置信度0.82
- Score：按量表打分，比如流失风险0到2级
- Noul：是或否，返回概率。比如「这条消息是越狱攻击吗：0.97」
答案只能出自你预设的选项，编不出第四个部门——这是「不会幻觉」说法的来源。置信度经过校准：标0.9的判断，期望上90%是对的，你的代码可以设一个阈值，低置信度自动转人工或转给更强的模型。
适用场景：Agent的工具路由和结果校验、客服/工单分类分流、内容风控和越狱检测、对LLM输出做实时质检、PB级数据的map-reduce打标。不适合的也很明确：聊天、写作、代码生成、需要推理链的开放任务。
方法概述
一套接口管输入输出，一套训练管概率诚实，一套采样管速度。
1. 三种判断原语（Choice/Score/Noul）
解决的问题是「软件要的不是一段话，是一个可执行的值」。传统LLM返回字符串，下游要解析、验schema、处理拒答和格式跑偏；Jev的输出空间在调用前就定义死了，类型错误在构造上不可能发生。要注意官方自己说得很清楚：这个「0%类型错误」不是实测出来的，是模式匹配有保证之后的构造性结论。选项基数最高支持255个，更高的场景走两阶段（先独立评分再显式选择）。
2. 校准决策训练（RLCD）
解决的问题是「LLM的置信度不可信」。RLHF优化的是人类偏好——模型学会说人爱听的话（官方的原话是「过度承诺」）；RLCD（Reinforcement Learning for Calibrated Decisions）优化的是校准：模型报出的置信度必须匹配它实际的正确率。具体机制没有公开，这是全文最「黑盒」的部分，也是判断这套东西成色的关键未知数。
3. 并行采样器
解决的问题是「逐token生成太慢」。LLM一个token接一个token地生成，复杂任务端到端3到329秒；Jev在单次查询里并行产出所有答案，端到端70到500毫秒。这是它敢叫「System One」的硬件底气——也是《毁灭战士》Demo能做到每秒10次决策的原因（那局游戏的状态是文本结构而非画面，成本约7美元/小时）。
实验结果
官方口径
官方同时主动披露了四个偏差来源：测速从他们西海岸的笔记本上跑的；无法证明定价没有补贴；工作流评测是自家模型能力团队写的；参考答案用GPT-6 Astra和Fable 5.1的平均，天然偏向OpenAI和Anthropic系，可能低估了DeepSeek系模型的相对表现。 >
独立实测：价格和速度基本属实，倍数要看怎么算
发布一周内出现了一批独立测试，结论比较一致：
- 速度和单价是真的。Every的实测：777次判断不到0.7秒，中位0.35秒对比前沿模型的8.83秒，约25倍；483条真实查询的第三方基准：中位314ms、P95 399ms，落在官方70-500ms区间内
- 444.6倍要打折看。实测成本优势区间是8.6倍到580倍——444.6这个数恰好是对上最贵的Opus 5的单点值，不是平均；从官方自己的评测表手算，速度倍数最高约95倍
- 准确率没有碾压。Every埋了7个缺陷，Jev抓到6个，对比的前沿模型7个全中；Arize用真实标签测，Jev 98.3%，一个TF-IDF基线98.4%
- 最大的坑是弃权率。这是全网文章几乎都没写的：生产队列上9081次真实判断，30%的置信度不达标要升级处理，76倍的名义优势被摊薄到3.2倍；另一个测试里只传3个词的极简输入，57.8%的答案置信度不到0.5，有效倍数只剩1.3倍。省多少钱，取决于你的置信度阈值和状态给得够不够肥，不取决于那个宣传倍数
4个工作流平均：Jev（粉）在准确率68%附近的成本比各家前沿模型低一到一个数量级。注意这是厂商自建的评测。
稳定性是另一张牌
官方公布的对比里，传统LLM做结构化输出的错误率从0.58%一路涨到46.9%（haiku 4.5），工具调用错误率最高17%。Jev两项都是0%——但如前所述，这是构造保证，不是实测。真正值得看的是独立测试里它「相似输入返回相似答案」的一致性表现，这是判断可不可用于生产的关键。
左：结构化输出错误率；右：工具调用错误率。Jev的0%来自输出空间预定义，属于构造保证。
局限与未来方向
首先，它不会推理也不会生成。System Two的活（写代码、做规划、开放问答）一点没少地留在GPT们手里，Jev只吃那些「答案事先知道、还重复海量出现」的判断。
其次，所有倍数都绑定对比对象。对上Opus 5是几百倍，对上一个便宜的分类小模型可能只剩个位数倍——它要打败的不是「坏掉的工作流」，而是不断在进步的结构化输出模式和小模型。
此外，机制不透明。无论文、无权重、RLCD只有名字和优化目标，置信度校准在分布偏移下表现如何，目前没有长期数据。中文场景官方文档明示英文效果最佳，多模态输入（图像、音频）还没有。
最后，价格可能是补贴期价格。TypeSafe自己都没排除这一点，长期定价要看后续。
结论
Jev验证了一个判断：AI行业在「让机器把话说漂亮」上跑了四年，而软件自动化真正需要的接口是「给出类型安全的判断，附上诚实的置信度」。
对于做Agent和工作流自动化的团队，Jev值得直接试：今天已全面开放，5美元额度够跑几千次判断。但迁移前先测你自己的数据——跑几百条真实决策，量出弃权率，给升级调用留预算。如果弃权率超过三成，名义上76倍的便宜实际只剩3倍，账要按这个算。对于普通用户，它和你没关系，你不会直接用到Jev，但你的Agent可能正在后台用它——判断成本降一个数量级，能自动化的决策就多一个数量级，这是杰文斯悖论在AI上的重演。
另外还有一点想和大家说的是这是闭源商业API，价格、倍数、校准能力全部来自厂商口径加一周的独立小样本测试，别把它当成已验证的基础设施去重构关键链路。它更可能成为你系统里那个不起眼但每天跑几百万次的判断层——前提是，那些数字在别人手里也站得住。
感谢你看到这里，添加小助手 AIGC_Tech 加入官方 AIGC读者交流群，下方扫码加入 AIGC Studio 星球，获取前沿AI应用、AIGC实践教程、大厂面试经验、AI学习路线以及IT类入门到精通学习资料等，欢迎一起交流学习💗～