# JEV：一个不生成文字的模型，只回带概率的判断

**URL:** <https://www.sunai.net/t/topic/1490>\
**Category:** IT\
**Tags:** ai\
**Created:** [2026 年9 月 20 日 15:55 UTC](https://www.sunai.net/t/topic/1490 "2026-09-20T15:55:03Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

作者： ![wood](https://www.sunai.net/user_avatar/www.sunai.net/wood/32/1032_2.png) [@wood](https://www.sunai.net/u/wood)\
发布日期： [2026 年9 月 20 日 15:55 UTC](https://www.sunai.net/t/topic/1490/1 "2026-09-20T15:55:03Z")

</div>

上周 TypeSafe AI 从隐身状态出来，带着 4000 万美元种子轮和一个叫 Jev 的模型。9 月 15 日放的早期测试版，9 月 18 日更到 jev-1.13，这两天 HN 和国内技术圈都在聊。

它不生成文字。一个字都不生成。

## 它到底输出什么

你给它一段状态（字符串、JSON 对象或者一组文本），再给一组事先定义好的问题，它并行地把所有问题算完，返回带概率的类型化答案。

三种问题原语：

- **Noul** ：真假判断，返回 0 到 1 的概率
- **Choice** ：从你给的选项里挑一个，最多 255 个，返回选择 + 每个选项的概率 + 置信度
- **Score** ：按你定义的有序等级打分，返回分数 + 概率分布 + 置信度

官方 quickstart 长这样：

```bash
curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "我的 Stripe 账号接了三天都失败，一直在丢单，请尽快处理",
    "model": "jev-latest",
    "questions": {
      "urgency": { "type": "noul", "instructions": "这条消息是否表达了紧急？" }
    }
  }'

```

返回：

```json
{
  "model": "jev-1.13.0",
  "answers": {
    "department": {
      "type": "choice",
      "choice": "technical",
      "confidence": 0.78,
      "probabilities": { "technical": 0.85, "sales": 0.0, "billing": 0.15 }
    },
    "frustration": {
      "type": "score",
      "score": 1.0,
      "confidence": 1.0,
      "legend": { "0": "平静陈述", "1": "不满但克制", "2": "非常愤怒" },
      "probabilities": { "0": 0.0, "1": 1.0, "2": 0.0 }
    },
    "is_urgent": { "type": "noul", "noul": 1.0 }
  },
  "usage": { "input_tokens": 392, "output_tokens": 65 }
}

```

没有字符串要解析，没有 JSON 要修，没有 markdown 代码围栏要剥。作者自己的说法是"一个更聪明的 if 语句"。

同一份 state 挂多个问题，是并行评估的，加问题对延迟的影响很小。

## 数字

官方口径：端到端 70ms 到 500ms，比同等水平的 LLM 快 40 到 200 倍。演示里那组对比是 0.114 秒对 GPT-5.6 Terra 的 8.566 秒，193.6 倍；成本 0.000081 美元对 0.013880 美元，444.6 倍。

定价是输入 $0.042 / M tokens，输出免费，因为压根没有生成的输出 token。上下文窗口 32K，目前只吃文本，图像音视频都还没有。

第三方给的数据点要保守一些。Vercel 拿它做安全分类器，比 OpenAI Luna 5.6 快 5 到 18 倍，准确率还高一点。Bryo AI 用来做邮件分类，比 Gemini 便宜 10 到 20 倍，准确率略低于 Gemini，但换来了每条结果都带置信度。

训练方法官方叫 RLCD（Reinforcement Learning for Calibrated Decisions），纯合成数据，架构没公开，权重不开源，只能走 API。创始人 Diogo Almeida 是前 OpenAI 研究员，RLHF 和 InstructGPT 那一拨人。

## 拿来干嘛

社区已经跑起来的几类：

模型路由。进来一个请求先用 Jev 判断复杂度，简单查询丢便宜模型，复杂推理才上大的。LangChain 已经合了 `TypeSafeClassifier` 和 `ModelRouterMiddleware`。

Agent 护栏。工具调用执行前先过一遍风险判断，危险的直接拦掉。LangChain 那边是 `AutoModeMiddleware`，Vercel AI SDK 走 `experimental_evaluate`。

批量打标。几百万条数据要分类，输出免费这件事在这个量级上很要命。

实时循环。TypeSafe 自己的 demo 是喂结构化游戏状态让它玩 Doom，不是为了证明它会玩游戏，是为了证明这个延迟能塞进实时循环里。社区跟着做了 `browser-use/jev-ultrafast`（DOM 元素选择 + 动作决策）、`droidrun/mobile-jev`（安卓自动化）这类东西。

官方 SDK 只有 Python（`typesafe-sdk`）和 JS（`@typesafe-ai/sdk`），社区已经补了 Rust、Go、Elixir、Ruby、PHP、.NET 一堆。OpenRouter 上也能直接调 `typesafe/jev-1.13`。中文资料可以看 `yzfly/awesome-jev-zh`。

## 需要打问号的地方

"零幻觉"这个说法要拆开看。输出不可能违反 schema，不可能编出你没定义的选项，这是真的。但选错依然会发生，类型安全不等于判断正确。把这两件事混在一起说是营销话术。

HN 上还有一个质疑我觉得成立：拿一个只做分类的模型和一个要写出完整回答的模型比延迟，口径本身就不对等。Jev 快是因为它少做了很多事。

官方那套 benchmark 的工作流是 TypeSafe 自己的 capabilities 团队设计的，他们也承认了这点。193 倍、444 倍大概率是峰值而不是均值。

它明确不擅长的事情，官方文档里写了：精确计数、日期比较、间接指代、嵌套条件，还有抵抗输入里夹带的误导信息。

中文场景基本是空白。目前能找到的公开评测只有 judgekit 一份，130 条自建样本，作者自己都标注了"LLM 对照组还在补"。这个样本量撑不起任何结论。

还有定价。$0.042/M 是不是在烧钱补贴，现在没法判断。

## 我的看法

这个方向我觉得是对的。现在大量 agent 系统里的"判断"环节，本质上就是个带语义的 if，却要调一次完整的 LLM，每次几百毫秒几分钱，还要祈祷它按格式吐 JSON。这活儿确实不该这么干。

但早期测试版就是早期测试版，还在 waitlist 后面，上线那两天需求太大一度把服务能力打没了。真要往生产上放，我的建议是别看 per-token 价格，算 per-task 完成成本，把重试和人工复核的开销算进去再决定值不值。

更实际的做法是先拿自己的数据跑一遍。它在不同任务上表现不均匀这件事，社区里反馈得挺一致的。

* * *

参考：

- [TypeSafe 官方博客](https://typesafe.ai/blog/introducing-system-one-models-and-jev) / [文档](https://docs.typesafe.ai/concepts/system-one)
- [TechCrunch](https://techcrunch.com/2026/09/18/a-new-kind-of-ai-model-from-a-chatgpt-inventor-is-thrilling-developers/)
- [The Register](https://www.theregister.com/ai-and-ml/2026/09/16/typesafe-ai-debuts-model-for-machines-that-plays-doom/5296711)
- [MarkTechPost](https://www.marktechpost.com/2026/09/19/typesafe-ai-releases-jev/)
- [LangChain 集成](https://www.langchain.com/blog/building-a-harness-with-jev)
- [Tony Bai 的中文解读](https://tonybai.com/2026/09/20/jev-typesafe-system-one-model-intro/)
- [awesome-jev-zh](https://github.com/yzfly/awesome-jev-zh)
