Jev 是什么
Jev 是 TypeSafe AI 推出的首个 System One Model，主要面向 AI Agent、自动化工作流和软件系统中的快速决策。与传统大语言模型侧重生成自然语言不同，Jev 可根据输入状态直接完成分类、评分和布尔判断，并返回结构化结果、概率与置信度，适合用于任务路由、风险判断、内容审核、流程分支和模型输出验证等场景。目前 Jev 处于 Early Access 阶段，官方尚未公开参数规模和开源权重。
Jev 官网链接： https://typesafe.ai/
Jev 的模型特性
- 类型化决策输出：Jev 不以自由文本为主要输出，而是返回预先定义的 Choice、Score、Boolean 等结构化结果，软件可以直接读取并执行。
- 概率与置信度：每个决策都会附带概率或置信度，开发者可以根据阈值决定自动执行、继续判断或者转交人工处理。
- 并行判断能力：传统 LLM 通常逐 Token 生成答案，Jev 可以在一次请求中并行处理多个判断问题，更适合包含大量分类和决策步骤的软件工作流。
- 面向自动化设计：Jev 主要用于分类、路由、评分、验证、Guardrail 和工作流分支，而不是聊天、文章生成或开放式内容创作。
- RLCD 训练方法：TypeSafe AI 为 System One Models 提出了 Reinforcement Learning for Calibrated Decisions，即“用于校准决策的强化学习”，重点优化模型判断及其概率置信度。
- 低延迟与低成本：TypeSafe 官方公布 Jev 输入价格为每 10 亿 Token 42 美元，即约 0.042 美元 / 百万输入 Token，并称典型端到端响应时间可达到约 70～500ms。
Jev 的核心能力
1. Choice：多选判断
Jev 可以从开发者预先定义的多个选项中，判断当前输入最适合哪一种结果，并返回各选项对应的概率。比如在客服场景中，可以预设“销售、技术支持、账单、退款”等分类，Jev 根据用户消息自动判断应该进入哪个处理队列。
2. Score：等级评分
Jev 可以按照开发者设定的有序标准，对当前状态进行量化评分。适用于客户紧急程度、内容质量、用户流失风险、交易风险、Agent 输出质量等场景，评分结果可以直接参与后续程序逻辑和自动化流程。
3. Boolean：概率化是 / 否判断
Jev 可以判断某个命题成立的可能性，并返回相应概率，而不是只给出简单的 True 或 False。例如，可用于判断是否需要退款审核、是否属于高风险操作、Agent 是否应该继续执行，或当前结果是否需要人工检查。
整体来看，Jev 的核心特点不是生成内容，而是把分类、评分和判断这些高频决策能力直接提供给软件系统调用。开发者可以结合返回概率和置信度，设置自动执行、继续验证或转人工处理等不同流程。
Jev 的应用场景
- AI Agent 路由：判断用户任务应该交给哪个 Agent、工具或子智能体处理。
- 自动化工作流：在业务流程中充当智能判断节点，根据实时状态决定下一步执行路径。
- 客服与工单分类：判断问题类别、紧急程度、退款需求和需要进入的处理队列。
- 风险与内容审核：对操作风险、异常信息、内容安全等进行评分，并将低置信度结果转交人工审核。
- 模型输出验证：对其他 AI 模型生成的结果进行评分、验证和 Guardrail 判断。
- 实时软件应用：应用于需要较低推理延迟的实时产品功能，将 AI 判断直接嵌入程序逻辑。
如何使用Jev
- 申请早期访问： 前往官网提交候补名单申请，等待开通。访问 https://typesafe.ai
- 创建 API 密钥： 在控制台创建密钥，并可在 Playground 中直接调试查询。访问 https://console.typesafe.ai
- 安装 SDK： 官方提供 Python 与 JavaScript SDK，Python SDK 要求 3.10 及以上版本，客户端默认读取环境变量
TYPESAFE_API_KEY并默认调用jev-latest。 - 定义状态与问题： 把业务上下文整理为 state，把需要的判断拆成若干原子问题，分别声明为 Choice、Score 或 Noul 类型。
- 接收结果并在代码中编排： 读取返回的类型化值、概率分布与置信度，在自己的代码里设定阈值、组合权重与后续动作，也可直接调用 HTTP 接口
POST https://api.typesafe.ai/v1/systemone。 - 上线前做影子测试： 建议先在旁路模式下与历史人工决策比对，在多个置信度阈值上测准确率与覆盖率，再让其影响线上流程。
Jev的产品定价
按输入 token 计费，输入价格为每百万 token 0.042 美元（即每十亿 token 42 美元），输出 token 不计费。官方未公布免费额度或试用积分方案，具体额度、速率限制与企业方案以官网为准。目前处于早期访问阶段，需要通过候补名单获取调用权限。
常见问题
Q：Jev 可以用来写文案、写代码或做对话吗？
A：不可以。Jev 完全不生成文本，只返回预定义答案空间内的选择、分值或概率。它的定位是软件内部的决策层，通常与生成式模型配合使用——Jev 负责分类和判断，生成式模型负责撰写最终内容。
Q：官方说 Jev「不会幻觉」，意思是它不会出错吗？
A：不是。类型安全保证的是返回值一定落在允许的形式与取值范围内，不会凭空捏造选项，也不会产生类型错误，但不保证选出来的那个答案就是正确的。开发者仍需在自己的数据上验证置信度分数与真实准确率是否吻合。
Q：问题比较复杂应该怎么问？
A：官方建议把每个问题限定在一个具体、边界清晰的判断上，类似一个熟悉领域的人在几秒内能给出的直觉判断。如果需要权衡多个独立因素，应拆成多个问题分别提问，再在自己的代码里按权重组合，而不是写成一个复合问题。
Q：Jev 开源吗？支持私有化部署吗？
A：不开源，目前仅通过 TypeSafe 托管的 API 提供，未公布权重、参数规模与私有化部署方案。
Q：怎么和现有的大模型结构化输出功能比较？
A：主流大模型也能通过 JSON Schema、function calling 等方式约束输出，但底层仍是逐 token 生成后再解析。Jev 是在架构层面取消了文本生成，改为一次并行前向计算返回决策，差异主要体现在延迟、单位成本以及是否天然携带校准概率上。
