Jev（TypeSafe AI 的 System One 模型）
也叫： JEV · Jev AI · TypeSafe Jev · System One 模型 Jev
Jev 是 TypeSafe AI 在 2026 年 9 月发布的模型，输入程序状态和带类型的问题，输出带校准概率的类型化决策，而不是一段生成的文字。
Jev 是 TypeSafe AI（一家由前 OpenAI 研究员 Diogo Almeida 联合创立的创业公司）提出的 System One 模型这一新品类里的首个模型。它不是用来跟人聊天的，而是让软件来调用：你把一段应用状态和一组声明好答案类型的问题交给它，它返回结构化的答案，每个答案附带一个置信度。
它瞄准的是 LLM 通常“太慢、太贵、放不进循环”的场景：游戏逻辑、机器人与仿真、工作流里的分类与路由步骤，以及给另一个模型的输出做校验。TypeSafe 的说法是，让前沿水平的模型进入原本只能靠手写规则或小模型的高频回路。
名字取自经济学家威廉·斯坦利·杰文斯（杰文斯悖论：资源变便宜后总用量反而上升），寄托的判断是模型调用便宜得多之后，调用次数会大幅增加。Jev 于 2026 年 9 月开放早期访问，下文数字均为厂商发布时的自我声明。
怎么运作
Jev 不是一个 token 接一个 token 地预测，而是并行处理一次请求里的所有问题，每个问题输出一个值，取值来自调用方事先声明的选项（据 TypeSafe，每题最多 255 个选项），并附上概率。训练上，TypeSafe 用一种叫 RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习）的方法，奖励“概率与实际正确率相符”，而不只是奖励人类偏好。调用方可以直接据此行动，也可以把低置信度的案例转给更慢的模型或人来处理。
举个例子
一个游戏 Agent 每帧跑一次循环：每个 tick 把当前游戏状态和几个问题发给 Jev，比如“视线内有敌人吗？”（是/否）、“五把武器里该装备哪一把？”（五选一）。它在极短时间内拿回带概率的类型化答案并直接执行；TypeSafe 用一个玩 Doom 的演示展示过这种用法。只有当某个问题的置信度低于阈值时，才去问更慢的通用 LLM。
和相关概念的区别
Jev 与聊天型 LLM：聊天 LLM 输出的是要你自己解析的自由文本，可能啰嗦、也可能编造；Jev 只能在你声明的选项里作答，不会写文章、写代码。它是 LLM 的补充（比如作为 agent-loop 里的快速决策或校验层），而不是替代品。
常见误解
常见问题
Jev 是什么？
Jev 是谁做的，什么时候发布的？
Jev 能取代我 Agent 里的大模型吗？
最近核实： 2026-09-21