Jev 是什么：TypeSafe AI 的 System One 模型

先看结论

• Jev 是 TypeSafe AI 提出的 “System One 模型” 品类里的第一个模型，2026 年 9 月 15 日发布，目前处于早期访问阶段。
• 你给它一段状态和一组带类型的问题，它对每个问题返回一个答案：答案必须来自你事先声明的选项，并附带概率。它不写任何文字。
• TypeSafe 公布的数据是端到端延迟 70–500 毫秒、输入每百万 token 0.042 美元、输出免费。这些都是厂商自己的数据，写作时还没有大规模的独立复现。
• 它适合快速、重复、答案范围有限的决策：路由、分类、安全闸门、校验、实时循环。不适合聊天、写代码、写文章、算术，以及任何需要解释理由的场景。
• 放进 agent 里，最合适的用法是当作快速决策层，把没把握的情况交给更慢的模型或真人。

Jev 是什么

Jev 来自 TypeSafe AI，一家由前 OpenAI 研究员 Diogo Almeida 联合创立的创业公司。它不是一个 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。这个值来自调用方事先声明好的选项，并带一个概率。

TypeSafe 把这类模型叫做 System One 模型，借用了卡尼曼“快思考 / 慢思考”里快思考的那一半。这个品类名是 TypeSafe 自己起的，并非行业标准。Jev 这个名字取自经济学家杰文斯：赌的是模型调用便宜很多之后，人们会调用得多得多。

• 术语表：Jev
• 术语表：System One 模型

怎么调用

Jev 通过 HTTP API 调用（向 api.typesafe.ai 的 System One 端点发 POST），另有 Python 和 JavaScript SDK。一次请求包含三样东西：模型名、`state`（要判断的文字或结构化数据）和一组命名的 `questions`。响应按问题名返回答案，并附带 token 用量。

TypeSafe 的文档里有三种问题类型，每个答案都属于其中之一：

• noul：是非题，答案是一个概率。
• choice：从你命名的一组选项里选一个，每个选项写一句描述。TypeSafe 表示最多支持 255 个选项。答案是选中的选项和它的概率。
• score：在你逐级描述的有序刻度上给输入定位，比如严重程度 0 到 3 级。

下面的请求只是为了说明结构，并非照抄 TypeSafe 文档。早期访问阶段字段名可能变化，动手之前请以官方最新文档为准。

{
  "model": "jev-latest",
  "state": "Customer message: I was charged twice for my plan this month, please fix it today.",
  "questions": {
    "wants_refund": {
      "type": "noul",
      "instructions": "Does the customer ask for money back?"
    },
    "team": {
      "type": "choice",
      "instructions": "Which team should handle this message?",
      "criteria": {
        "billing": "Charges, invoices, refunds",
        "support": "Bugs, outages, how-to questions",
        "sales": "Plans, pricing, upgrades"
      }
    },
    "urgency": {
      "type": "score",
      "instructions": "How urgent is this message?",
      "criteria": ["Can wait", "Needs a reply today", "Blocking the customer now"]
    }
  }
}

• 术语表：Jev 的问题类型与 System One API

适合做什么

共同点是：决策经常发生、可能的答案是已知的一组、并且要求又快又便宜。TypeSafe 和早期的评测文章提到的用法有：

• 路由与分类：交给哪个团队、哪个处理器，属于哪一类，优先级多高。
• 安全闸门：在 agent 执行之前，把一条 shell 命令或工具调用判成只读、可回滚或破坏性。
• 校验：检查 LLM 回答里的说法有没有原文依据，或者一次改动的风险有多大。
• 实时循环：游戏逻辑、仿真和机器人这些慢模型跟不上的场合。目前公开的演示都跑在模拟器里，包括 Doom。
• 批量打标：给海量数据打分或打标签，这时单次调用的成本决定这件事值不值得做。

不能做什么

这些限制来自它的工作方式，其中大部分 TypeSafe 自己也明确说了：

• 不能生成文字：没有回复、摘要、解释，也没有代码。
• 不能回答开放式问题。每个答案都必须是你声明过的选项，所以你得事先知道答案空间。
• 不给推理过程。决策没有理由说明，如果你在受监管的场合需要审计线索，这一点很关键。
• 目前的演示用的是结构化或文本状态，不是图片。有一篇独立评测文章还列出它在算术和日期比较上有弱点，依赖之前请先自己测试。
• 它能否推广到短时程、结构清晰的决策之外，目前还没有定论。

这些数字该怎么看

最醒目的数字都是 TypeSafe 自己给的：端到端 70–500 毫秒，而前沿 LLM 在类似任务上要几秒到几分钟；输入每百万 token 0.042 美元（约每十亿 42 美元），输出免费。发布文章声称，在它测试的工作流上，同等智能水平下速度快 40–200 倍，而每个 token 的价格也远低于前沿 LLM。

TypeSafe 自己补充了三点保留意见。评测工作流是它自己的模型团队设计的，可能有偏差；用来对比的 LLM 数据来自 OpenRouter，它说这一侧同样可能有偏差；而它标出的 0% 幻觉率，它自己说“并非实测”：这是结构性的说法，因为输出被限制在你给的选项里，但一个看起来合法的选项仍然可能是错的。

所以请把这些倍数当作上限。对你有意义的数字，是在你自己数据上每“正确解决一个任务”的成本，这只能靠测试得出。

价格与获取方式

截至 2026 年 9 月 21 日，Jev 处于早期访问，需要排队等候名单。输入按每百万 token 0.042 美元计费，输出免费，价格和限额在开放访问的过程中可能变化。

除模型之外，TypeSafe 还提供 Python 和 JavaScript SDK，以及一个 Claude Code 插件；LangChain 发布了一个 alpha 阶段的集成包 `langchain-typesafe`。

• TypeSafe AI：System One 模型与 Jev 的发布文章
• TypeSafe API 快速入门
• LangChain：用 Jev 搭建 harness

在 agent 里安全地用 Jev

最贴合 Jev 长处的模式，是前面放一层快的、后面放一层慢的：Jev 负责频繁的小决策，它拿不准的交给更强的模型或真人。

• 先跑影子模式：让 Jev 给真实流量打标，同时仍由真人或现有逻辑做决定，再对比结果。
• 用你自己的标注数据来定置信度阈值。文章里常见的示例值（高于 0.9 自动执行、0.5 到 0.9 请求确认、更低则交给真人）只是举例，不是默认值。
• 已经正确的确定性代码就保留。永远正确的规则不需要模型。
• 每个决策都必须给出解释的场景不要用它，除非另有东西来产生解释。
• 凡是有风险的操作都要失败即关闭：调用失败或置信度低时，就走原来那条安全的路径。

• 术语表：置信度分流
• 术语表：校准置信度
• 术语表：RLCD

Jev 与 LLM 一图对照

• 输出：Jev 返回你声明的选项里的类型化值；LLM 返回可能还得解析的生成文本。
• 速度与成本：按 TypeSafe 的说法，Jev 每个决策快得多也便宜得多；LLM 更慢更贵，但通用得多。
• 置信度：Jev 被训练成给出校准的概率；LLM 自述的把握往往不可靠。
• 解释：LLM 能解释自己；Jev 不能。
• 范围：LLM 能处理开放式任务；Jev 只处理答案空间固定的问题。
• 配合：Jev 负责判断、分类和路由，LLM 负责剩下困难或开放的部分。

• 术语表：Structured Outputs（结构化输出）
• 术语表：大型推理模型

已经建在 Jev 上的 agent 与工具

发布后的几天里，就陆续出现了建在 Jev 上的开源项目：把它当决策层的编码 agent 外壳、把它暴露给 Claude Code 和 Codex 的 MCP 服务器、给工具调用加的权限闸门、浏览器自动化等等。通过我们收录规则的项目，会用和其他 agent 一样的 FARS 方法评审，下面的导览会随新收录的项目自动更新。

也有一些 Jev 项目不在目录里，原因是没有通过 agent 的结构性规则，或者规模太小。这是规则使然，并不代表它们不好。

• 导览：建在 Jev 上的 agent
• 浏览全部 agent