2026年9月15日，美国初创公司TypeSafe AI以早期访问方式发布了Jev——一个完全不生成文本的AI模型。你把程序状态和带类型的问题交给它，它只返回类型确定的判断和概率。公司由ChatGPT基础论文InstructGPT的共同作者Diogo Almeida领导。本文依据官方文档，梳理Jev以及该公司提出的新类别System One模型。
Jev是什么
Jev是TypeSafe AI作为「第一个System One模型」发布的判断专用模型，当前版本为jev-1.13。它与传统大语言模型（LLM）最大的区别在于输出形式。
- 大语言模型: 生成供人阅读的文本。即使你需要结构化数据，也得先让它写成文本，再在程序里解析
- Jev: 不生成文本。它接收程序状态（state）与带类型的问题（questions），返回类型确定的值、概率分布与置信度
官方将这一设计解释为修正一种错配：把文本生成系统硬拧成输出结构化判断。使用Jev时无需解析、无需重试，返回值可以直接用于条件分支、排序或路由。
System One模型的思路
名称来自丹尼尔·卡尼曼的「快思考与慢思考」。长链推理和写作属于System 2，也就是大语言模型擅长的领域；一瞬间完成的判断属于System 1，而Jev专门服务后者。可以这样理解它的定位：凡是该领域专家五秒内就能判断的事，用它来大批量、低延迟地处理。
三种提问方式（基本原语）
Jev支持三种问题，并且可以在一次API调用中混合使用。多个问题针对同一状态并行且相互独立地评估；按官方文档说明，增加问题几乎不会改变响应时间。
- Choice（选择）: 从给定选项中选一个。返回所选选项、所有选项的概率分布和置信度。适合工单分流、文档类型判定。当选项可能不完备时，官方建议加入「其他」
- Score（评分）: 沿着有顺序的等级（例如：平静中立／有所不满／非常愤怒）给出位置，也可能落在两级之间。适合严重程度、满意度、熟练度的判定
- Noul（真伪）: 针对一个陈述返回0到1之间的概率。接近1.0表示「是」，接近0.5表示无法判断。适合「这是否是缺陷报告」「这是否是退款请求」这类判断
每个答案还会带回置信度（confidence），表示概率分布的集中程度。这正是「只把不确定的情况交给人或大语言模型」这一设计的着力点。
速度与价格（厂商公布值）
- 端到端响应时间为70到500毫秒。官方称在同等智能要求的此类任务上比前沿模型快40到200倍
- 价格为每百万输入词元0.042美元（每十亿词元42美元）。输出免费，仅按输入计费
- 速率上限为每秒25万词元、每分钟1200次请求，官方称会随需求动态调整
- 每次请求上下文上限为6.4万词元；状态加最长的单个问题上限为3.2万词元
- 仅支持文本输入（字符串、JSON对象或文本数组），不支持图像、音频、视频
据TechCrunch报道，Vercel在分类任务上测得比原方案快5到18倍且精度更高，Bryo AI在邮件分类上发现其成本比Gemini低10到20倍。这些都是厂商与用户企业公布的数据，宜视作「值得用自家数据复测」的线索，而非可以直接套用的结论。
如何正确理解「不会幻觉」
Jev的宣传语包括「不会出现类型错误，也不会幻觉」。它保证的是输出的形式：不会返回选项之外的值，也不会返回损坏的JSON，因此解析错误与重试逻辑本身就不再需要。
但这并不意味着判断内容一定正确。返回的是经过校准的概率，概率0.7的判断按设计约有三成会出错。官方文档本身也建议按置信度分流处理。把「不编造事实」与「永远判断正确」区分开，是评估这一模型时最关键的一点。
官方公布的弱点
TypeSafe AI在官方文档中公开了jev-1.13的弱项。对于是否采用的决策，这一页参考价值最高。
- 计算与计数不可靠: 字符数、出现次数、列表条目数都不可靠，输入越大误差越大。文档明确写道「Jev不是计算器」
- 日期与时间的比较较弱: 哪个日期在前、是否落在某个区间、相隔多久，判断都不稳定
- 多跳推理能力弱: 需要追溯「属性的属性」的问题，以及双重否定的表述，精度都会下降
- 混入无关信息会降低精度: 状态中与判断无关的内容越多，结果越差
- 无法生成文本: 试图用连续选择来拼出文本既慢且效果差
- 指令按字面理解: 它回答「你写下的问题」，因此边界情况必须明确写进判定标准
- 不保证抵御对抗性输入: 嵌入在状态中的指令可能影响输出
- 英语优先: 官方表示中文、日文等CJK语言「可以处理，但不及英语」
用中文使用时，较现实的做法是把指令与选项说明写成英语，只把待判断的正文保留为中文，并在实测精度的基础上做设计。
适合的使用场景
- 意图路由: 对来件分类，分派到相应部门或处理流程
- 优先级与严重度判定: 用分数表示紧急程度，决定处理顺序
- 护栏与监控: 毫秒级判断智能体的输入输出是否违反策略，也被用于检测大模型越狱
- 模型路由: 简单请求交给便宜的模型，困难请求交给高性能模型
- 重排序与检索辅助: 候选排序、相关性判定
- 智能体的分支决策: 把「下一步做什么」的选择权留在代码里
与大语言模型搭配才是正解
由于Jev不会写文本，它的定位不是替代大语言模型，而是放在其前端或后端。
- 大批量判断由Jev快速处理，只把置信度低的情况升级给大语言模型或人工（置信度门控）
- 复杂判断不要写成一个大问题，而是拆成小问题并在代码里合成
- 写作交给大语言模型，判断交给Jev
如何开始使用
- 目前以早期访问方式提供，在控制台（console.typesafe.ai）创建API密钥后即可使用
- 提供Python SDK、JavaScript／TypeScript SDK和HTTP API。默认模型别名为jev-latest，当前指向jev-1.13.0
- 认证使用环境变量TYPESAFE_API_KEY。官方还发布了面向Claude Code与Codex的智能体技能
- 官方文档仅有英语版。价格、速率上限与使用条件都可能变化，动手前请在官方页面确认最新条件
总结
Jev不是「大语言模型的下一代」，而是承担大语言模型不擅长领域的另一个零件。在不需要生成文本的判断上——分类、分流、评分、护栏——以高并发低延迟运行时收益明显；而在计算、日期处理、文本生成，以及以中文为主的细微语义判断上，则需要谨慎验证。务实的第一步：在现有流程中找出「只让大语言模型做分类」的环节，把它换成Jev，实测延迟、成本与精度。
来源: TypeSafe AI官方博客、官方文档、TechCrunch（2026年9月18日）。本文内容基于2026年9月19日确认的公开信息。
