Jev

Jev 是什么？

Jev 是 TypeSafe AI 于 2026 年 9 月 15 日发布的首个「System One 模型」——一个不生成文本、只做决策的 AI 模型。官方口号「Decisions, not strings」（要决策，不要字符串）概括了它的定位：你给它一段程序状态（state）和一组带类型的问题（questions），它在一次并行推理中直接返回类型化的答案——选项（Choice）、评分（Score）、是/否判断（Noul），每个答案都附带校准过的概率（calibrated probability）。

开发方 TypeSafe AI 由 Diogo Almeida 创办——他是 OpenAI 前研究员、ChatGPT/InstructGPT 联合创造者之一，也是 RLHF（人类反馈强化学习）的联合发明人。发布当天项目帖获约 420 万次浏览，长期占据 Hacker News 前列，发布后四天即成为硅谷开发者社区热议的「新范式」话题。

「Jev」这个名字来自经济学家 William Stanley Jevons 和「杰文斯悖论」——资源使用效率提高后需求反而增加。TypeSafe 希望「智能判断」便宜到能被大规模嵌入软件。

核心功能与亮点

1. 三种问题原语（Choice / Score / Noul）：Choice 在你预定义的选项里选一个；Score 按你给的量表打分；Noul 回答 yes/no 并给概率。例如风控场景：「退款风险高/中/低」返回「高风险 75%」。

2. 零结构化错误：因为不生成文本，输出只能是预定义类型之一——JSON 格式错误、幻觉出不存在选项这类问题「结构性不存在」（官方称 Zero Hallucinations，准确说是零格式幻觉）。

3. 极快极便宜：端到端延迟 70–500 毫秒；输入 $0.042/百万 token，输出免费。官方评测在特定工作流中比对照大模型快 193.6 倍、便宜 444.6 倍。

4. 一次请求并行回答多个问题：把状态和一组问题一起发，所有问题并行评估一次返回——客服工单一次判断部门路由、紧急程度、退款风险、是否人工介入。

5. 校准概率 + 置信度：每个决策附带概率，软件可设阈值——高置信度直接自动执行，低置信度转人工复核。

6. Agent 安全框架（harness）：请求路由（简单任务走便宜模型）+ 工具闸门（拦截危险工具调用），每个决策产生可审计记录。

谁适合用？使用场景

Agent 开发者（路由与工具选择）：Agent 工作流里 90% 的模型调用其实只是工具选择、结果排序、风险判断——这些高频判断交给 Jev，复杂规划留给 LLM，成本直接砍到零头。

客服/工单系统：一封客服邮件同时判断分派部门、紧急程度、退款风险、是否需人工介入，毫秒级返回。

风控与内容审核：退款风险高/中/低、评论是否垃圾、交易是否可疑——需要概率和置信度的批量判断。

浏览器自动化/爬虫决策：开发者 Gregor Zunic 的 Jev Ultrafast 实测：Google Flights 搜索全流程约 7 秒完成，成本 $0.0039——Jev 决定点哪个按钮、填哪个字段。

上手难度与体验

Jev 是纯 API 产品（无网页版控制台聊天界面），面向开发者。请求结构简单：一个 POST 请求三个字段（model / state / questions），会写 curl 就能上手。Python SDK 和 LangChain 中间件（AutoModeMiddleware）已就绪。目前处于 early access 候补名单阶段（console.typesafe.ai），另有 Vercel AI Gateway、AI/ML API、AIHubMix 等第三方网关可用。文档为英文，定价页清晰（这在新模型里少见）。

定价方案

（信息采集：2026-09-19，以官网当前显示为准）

当前模型 jev-1.13.0：输入 $0.042/百万 token（$42/十亿），输出免费。按输入 token 计费是它的核心卖点——传统 LLM 输出 token 通常是输入的 5 倍价。上下文 64K token/请求（其中 32K 给状态+最长问题）。速率限制公开：250K tokens/秒、1200 请求/分钟。仅支持文本输入（图片/音频暂不支持）。暂无免费层，访问需候补审批。

优缺点

优点：

• 结构化输出零错误（by construction），自动化流水线不再怕 JSON 解析失败
• 延迟 70–500ms + 输出免费，高频调用场景成本优势碾压级
• 校准概率让「自动化阈值 + 人工兜底」成为原生能力
• 创始人背景硬（RLHF 联合发明人），$40M 融资（DCVC 领投），非空气项目

缺点：

• 闭源托管 API，无开放权重——隐私敏感场景需自行权衡
• 不能生成文本、不能解释理由——需要解释和开放生成的场景完全不适合
• 官方性能数字均为自测，尚无独立第三方验证
• 选项设计不好时正确答案可能不在选项里，概率仍会落到剩余选项上——从写 prompt 变成设计决策模式，有学习成本

同类工具对比

与 LangChain 的关系：Jev 已有官方 LangChain 中间件，可作为 Agent 循环中的决策层，拦截危险工具调用、按复杂度路由请求。

与 OpenRouter 的关系：同为模型 API 聚合入口的思路，但 Jev 是单一专用模型，OpenRouter 是多模型路由网关——未来 Agent 栈可能两者都用（OpenRouter 路由 LLM，Jev 做决策）。

常见问题

Q：Jev 会取代 LLM 吗？

不会，是分工不是替代。业界共识是未来 Agent 采用多层结构：复杂任务→前沿模型，普通推理→Flash 模型，高频判断→决策模型（Jev），确定性部分→传统代码。

Q：真的零幻觉吗？

准确说是「零格式幻觉」——它保证输出不超出预定义类型（不会返回你没给它的选项），但答案本身的事实正确性仍取决于模型能力和你的选项设计。

Q：需要魔法上网吗？

官网和 API 需境外网络访问。国内开发者可通过 AIHubMix 等聚合网关调用。

Q：有免费额度吗？

截至采集日无公开免费层，访问需候补审批（waitlist）。第三方网关（如 AI/ML API）已上架，定价略高（$0.058/百万）。

Q：中文支持如何？

支持文本输入（含中文），但官方文档和 playground 均为英文。中文实测视频显示中文状态理解正常。

相关链接

• 官网：https://typesafe.ai
• 控制台（API Key）：https://console.typesafe.ai
• 36氪深度分析：一个”不说话”的AI刷屏，Jev真是新范式吗？
• LangChain 官方集成指南：Building a harness with Jev
• DataCamp 解读：Jev: TypeSafe’s System One Model
• 中文实测视频：Jev 实测：这款爆火的极速决策模型的基本玩法