Jev
Jev 是 TypeSafe AI 于 2026 年 9 月 15 日发布的决策专用 AI 模型。它不生成文字，而是直接返回预先设定的选项中哪一个正确，并附上概率。
与普通 LLM 有何不同
ChatGPT、Claude 等大语言模型（LLM）通过逐字续写来生成句子。Jev 完全不生成句子。它接收需要判断的情境（文本或 JSON）以及用代码定义的“类型确定的问题”后，只按规定格式返回该问题的答案。它不做解释、摘要、依据陈述或代码编写。因此它常被比作“聪明的 if 语句”。也就是说，程序中的分支（if）不再由人逐条写成规则，而是由模型读取情境后决定走向哪一边。名称中的“System One”取自丹尼尔·卡尼曼《思考，快与慢》中表示快速、直觉式思维的“系统 1”。
三种输出形式（原语）
Choice 从多个选项（最多 255 个）中选出一个，并同时给出全部选项的概率分布和置信度（confidence）。例如：把咨询分配给“退款、配送、技术支持”中的哪一类。Score 在 2～10 级的有序量表上打分，并给出按概率加权的平均分和分布。例如：回答质量 1～5 分。Noul 用 0～1 之间的单个数值给出某个陈述为真的概率。例如：“这封邮件是垃圾邮件”为真的概率为 0.87。由于 Noul 的概率本身就是信号，因此不另外给出置信度。
三种输出形式一览
| Choice | Score | Noul | |
|---|---|---|---|
| 作用 | 从选项中选出一个（最多 255 个） | 有序量表上的分数（2～10 级） | 陈述为真的概率（0～1） |
| 同时给出 | 完整概率分布 + 置信度 | 概率加权平均分 + 分布 | 概率本身即信号（不另给置信度） |
| 示例 | 把咨询分到退款、配送、技术支持中的哪一类 | 回答质量 1～5 分 | “这封邮件是垃圾邮件”为真的概率 0.87 |
为什么又快又便宜
Jev 采用不逐字生成的非自回归（non-autoregressive）方式。它读取一次情境，同时评估所有问题并一次性给出答案，因此即使增加问题数量，响应时间也几乎不会增加。公开的响应时间约为每次请求 70～500 毫秒。TypeSafe 称，在这类判断任务中它比 LLM 快 193.6 倍、便宜 444.6 倍，但这是提供方自行测量的结果，公司也说明这是上限数值。公开价格为每 100 万个输入 token 0.042 美元，输出不收费。
置信度与训练方式
Jev 的核心在于它会同时用数字给出“有多确定”。TypeSafe 表示，它采用名为 RLCD（Reinforcement Learning for Calibrated Decisions）的方法进行训练，目标不是贴合人类偏好的回答，而是让概率与实际结果相吻合（校准，calibration）。因此，可以较容易地设置阈值，在自动化与人工审核之间分工，例如“置信度在 0.9 以上则自动处理，否则转交人工”。
注意事项
Jev 无法输出定义选项之外的值，因此不会出现格式错乱或编造无关标签的问题。但它可能在高度确信的情况下出错。输入只支持文本，不擅长日期、时间计算和数学，混入大量无关信息时准确率会下降。需要写作的任务仍然需要 LLM，因此它往往不是取代 LLM，而是作为与 LLM 配合、负责快速判断的组件来使用。截至 2026 年 9 月底，它处于抢先体验阶段。
示例
在客服智能体中，用 Jev 的 Choice 将收到的咨询归入“退款、配送、技术支持、其他”之一，若置信度低于阈值则转交人工客服。在同一请求中，还可以同时用 Noul 获取“包含辱骂内容”的概率，用 Score 获取 1～5 分的紧急程度。它还可用于检查其他 LLM 撰写的回答是否遵守政策的护栏、搜索结果重排序，以及为智能体选择下一步要用的工具（路由）。