​Jev 详解：不做生成的判断模型

Jev 详解：不做生成的判断模型

让 LLM 干"判断"的活，一直是件拧巴的事：它擅长生成文本给人读，你要的却是结构化决策给代码用——于是提示词约束、JSON 解析、重试兜底一层层糊上去。TypeSafe AI 的答案是干脆换一类模型：Jev，首个 System One 模型——不做文本生成，专职快速、结构化的判断：输入状态与类型化问题，输出带概率与置信度的结构化答案，类型错误在数学上不可能发生，因此"无法幻觉"。官方数据：比 LLM 快 40～200 倍（宣传口径 193.6 倍）、输出 token 免费、端到端 70～500ms。创始人是 ChatGPT 指令跟随研究的作者之一 Diogo Almeida，隐身两年后于 2026 年 9 月发布。本文从模型范式、三大原语、性能证据到选型，完整拆解。

1、项目概述

Jev 是 TypeSafe AI 的旗舰模型与首个 System One 模型：为软件可直接使用的快速结构化决策而生，官方比喻为"frontier-intelligence function call——非结构化状态进，类型化概率决策出"。TypeSafe AI 由 Diogo Almeida 创立（OpenAI 时期参与构建指令跟随与对话方法，即 ChatGPT 背后的研究），隐身两年研发新架构、并行采样器与 RLCD 训练法（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）。2026 年 9 月 15 日发布并开启 early access，可通过 TypeSafe 控制台与 Cloudflare Workers AI 调用（当前版本 jev-1.13.0，32k 上下文窗口）。

基本盘：

        - 范式差异：放弃字符串生成，输出结构在调用前定义——类型错误为零，所有答案带校准概率与置信度

        - 速度：端到端 70～500ms；同等"System One 形状"任务比前沿 LLM 快 40～200 倍

        - 成本：输入 $0.042/MTok，输出 token 免费（官方称"便宜到不值得计量"）

        - 命名出处：System One 源自卡尼曼《思考，快与慢》的系统 1；Jev 纪念经济学家威廉·斯坦利·杰文斯——智能成本每降一个数量级，解锁的用例多几个数量级

        - 状态：early access，Cloudflare 渠道已可计费调用

2、模型范式：System One 与 LLM 的分野

官方对照表把新旧范式的差异摆得很直白，八个维度全面分野。

范式对比（官方表格归纳）：

        - 训练法：RLHF/RLVR（人类偏好或可验证奖励）vs RLCD（校准决策——认识论上诚实的概率）

        - 输入侧重：顺序消息流 vs 结构化程序状态

        - 输出形态：字符串（什么都能是——包括幻觉与拒绝）vs 类型安全结构值（输出空间预先定义）

        - 采样方式：顺序自回归（逐 token）vs 并行（单次查询输出全部答案）

        - 置信度：提示也问不准（过度自信且不一致）vs 每次输出必带（校准：置信度高则准确率高）

        - 成本与速度：LLM 输出比输入贵 5 倍、3～329 秒 vs Jev 输出免费、70～500ms

        - 用例分工：LLM 适合人在环（聊天 / 副驾 / 编码代理）与可验证问题；Jev 适合 AI 工作流（智能 if 语句）、大数据 map-reduce、实时应用、验证与守卫

范式要点：

1. "放弃字符串"是超能力来源：并行采样免去了逐 token 生成的延迟与成本，结构预定义免去了解析与校验层

2. 无幻觉是数学性质不是模型能力：输出空间里根本没有"编造"这个动作——类型安全是自动化的入场券

3. 校准置信度解锁真自动化：能做 95% 的任务 + 知道哪 5% 做不了 = 可以全自动化，其余路由给人

4. 与 CUA-S1 的 System 1 概念同源不同物：Cua 用小模型做界面决策的补充，Jev 把 System One 做成独立模型品类

3、三大原语与 API 形态

TypeSafe 暴露三个"AI 原语"，像软件原语一样模块化、可组合。

三大原语：

        - Choice：从列表中选一项——返回 choice、全选项概率分布、置信度

        - Score：按量表给状态打分——返回 score（连续值）、各档概率、置信度、图例

        - Noul：陈述是否为真——返回 0～1 的 noul 值（布尔判断的软化版）

组合规则：

        - 单次调用可混合任意数量的三种问题，全部并行、隔离地评估同一状态

        - 加问题几乎不增加响应时间；问题互相独立，不会互相污染上下文

        - 原子问题原则：每问只问一件具体的、专家几秒能判断的事；复杂判断拆成多问，权重逻辑写在代码里——优先级变了改系数，不改提示词

API 示例（Cloudflare Workers AI，客服工单三连问）：

// state: 一段客服工单文本（也可以是结构化对象）
// 三个问题一次调用：紧急吗(noul) / 该哪个组处理(choice) / 客户多生气(score)
const response = await env.AI.run('typesafe/jev', {
  state: 'Help! My payouts have been failing for 3 days.',
  questions: {
    is_urgent: {
      type: 'noul',
      instructions: 'Does this convey urgency?',
      criteria: { true: 'Explicitly time-sensitive',
                  false: 'No urgency expressed' },
    },
    department: {
      type: 'choice',
      instructions: 'Which team should handle this?',
      criteria: { billing: 'Payments, invoicing, refunds',
                  technical: 'Bugs, outages, integrations',
                  sales: 'Pricing, upgrades, new accounts' },
    },
    frustration: {
      type: 'score',
      instructions: 'How frustrated is the customer?',
      criteria: ['Calm', 'Frustrated', 'Very angry'],
    },
  },
});
// 返回: is_urgent.noul = 0.95
//       department.choice = "billing" (置信度 0.8, billing 概率 0.87)
//       frustration.score = 1.04 (档位概率: Frustrated 0.96)
// token 用量: 输入 426 / 输出 73（输出免费）

原语要点：

1. criteria 是判据不是提示词：给每个选项 / 每档分数写清定义，模型按判据打分——比提示工程稳定

2. state 可传结构化对象：官方退款审核示例里 state 是 ticket + order + refund_policy 的嵌套 JSON，问题用反引号引用字段

3. 高基数选择的两段式：Choice 上限 255 项，更高时先 Score 独立打分再显式选择

4. 典型场景官方已给全：退款审核、工单路由、账号风险评估三个完整示例开箱可改

4、性能证据与边界诚实度

官方的 extraordinary claims 配了不寻常的 receipts——每条激进结论都附 nuance（细则）说明局限。

证据与细则：

        - 可自查项：速度（从西海岸笔记本实测）、定价透明（"无法证明没有补贴，靠时间证明可持续"）、零类型错误（"单个反例即可证伪，但数学上不可能"）

        - 193.6 倍快 / 444.6 倍便宜的出处：自家 workflow evals——同一工作流下对比模型预测与"最聪明模型均值"（GPT-6 Astra 与 Fable 5.1 平均）的一致度，Jev 占据帕累托前沿近两个数量级；官方自认"这属于实际收益的较高端"

        - 参考答案偏向 OpenAI/Anthropic 系，"可能低估自家与 DeepSeek"；workflow 由自家能力团队制作，"可能存在偏差"

        - LLM 侧数据来自 OpenRouter 路由，复杂查询可能被路由到更强模型；Jev 的 0% 类型错误不是实证而是数学保证

        - 演示 nuances：对比 demo 用 GPT-5.6 Terra 默认推理档（"平均智力最可比"）；wikiracing demo 对比的是非推理模式（LLM 显得更差）；Doom demo 是结构化状态非图像，每秒 10 次查询约 $7/小时

证据要点：

1. 这篇发布文的写法本身是范本：激进主张 + 可验证项 + 每条 nuance 的自我拆解——"我们爱怀疑者，我们自己就是"

2. workflow evals 站点（evals.typesafe.ai）公开全部查询与分歧案例，可自行复跑

3. System One adapter 开源在 GitHub（typesafe-ai/system-one-adapter-python）：给 LLM 套结构化决策壳的对照工具，评测公平性的基础设施

4. 智力对齐口径：demo 分歧仅一处且"答案确实模糊"——判断力对标前沿 LLM 的主张有边界但不虚

5、定位对比：决策智能三选一

把 Jev 与 LLM 结构化输出、传统分类器放在一张桌上，三种决策方案清晰起来。

三者对比：

        - Jev：专用判断模型，三原语 + 概率置信度，70～500ms，输出免费，零类型错误（early access）

        - LLM + 结构化输出（JSON mode / schema 约束）：通用且智力强，秒级延迟，逐 token 付费，偶发越界需兜底

        - 传统 ML 分类器（自训小模型）：最快最便宜，但需标注数据与训练管线，改判据等于重训

选型建议：

1. 高频决策、延迟敏感、要概率路由 → Jev

2. 决策要长推理、混合生成（写报告 / 代码）→ LLM 结构化输出

3. 判据极稳定、有标注数据、追求极限成本 → 自训分类器

4. 组合玩法：Jev 做 LLM 输出的验证与守卫层（官方用例之一）——生成归 LLM，判断归 Jev

6、总结

Jev 是 TypeSafe AI 发布的首个 System One 模型（2026 年 9 月 early access，jev-1.13.0，32k 上下文）：不做文本生成、专职结构化判断——Choice / Score / Noul 三原语对同一状态并行评估，返回类型安全值 + 校准概率 + 置信度，类型错误数学上为零；新架构 + 并行采样器 + RLCD 训练法（校准决策强化学习），端到端 70～500ms、输出 token 免费、比 LLM 快 40～200 倍的口径来自公开的 workflow evals；创始人 Diogo Almeida 是 ChatGPT 背后指令跟随研究的参与者，官方发布文以"激进主张 + 每条 nuance"的诚实写法给出全部证据与局限。Cloudflare Workers AI 已上架，三个官方示例（退款审核 / 工单路由 / 风险评估）开箱可改。

适用与边界：它适合"智能 if 语句"场景——分类、路由、打分、守卫、验证这类高频结构化决策，输出免费与百毫秒延迟让实时应用与大数据 map-reduce 在经济上成立；放弃生成意味着写文案、代码、长推理仍是 LLM 的领地，Jev 是补充而非替代（官方自己也把"验证 LLM 输出"列为主用例）；early access 阶段 255 的选择基数、32k 上下文窗口是当前硬边界；193 倍快 / 444 倍便宜是自家评测口径的较高端值，官方已自我标注——生产采用前按自己的工作流实测；范式很新，生态（SDK、模式库、案例）刚刚起步，最早入场的人同时承担拓荒成本与红利。