产品简介
Jev 是 TypeSafe AI 推出的大模型，方向与主流对话模型相反：不做聊天、不产长文，只输出带置信度的类型化判断，官方称之为 System One Models，即给机器调用而不是给人对话的模型。训练方法用自研的 RLCD（Reinforcement Learning for Calibrated Decisions），目标是让判断附带的概率校准可靠，软件可以据此决定自动执行还是转人工复核。
官方给出的对比数据是：在 System One 类任务的工作流里，比传统大模型快最多 193.6 倍、成本低最多 444.6 倍，示例单次决策成本 0.000081 美元、0.114 秒完成，对照示例为 0.01388 美元与 8.566 秒。第三方作者的实测显示，预筛任务中 Jev 准确性排第二但花费更低，并行判断场景达到最高准确率与最快速度。
要注意它的输入输出形态是判断而不是文本，适合嵌进代码当决策原语用：每个判断附带置信度估计，可以设阈值决定何时自动执行、何时升级人工。模型在官网开放资格申请，Vercel 已首发集成。
核心功能
- 只输出类型化判断：返回带类型的决策结果与校准概率，像调用函数一样确定，不是提示词对话。
- RLCD 训练方法：为校准决策设计的强化学习，每个判断附带可用的置信度估计。
- 置信度阈值控制：高置信自动执行、低置信升级人工，自动化与人工复核的边界写在代码里。
- 极低延迟与成本：官方工作流实测最快 193.6 倍、最省 444.6 倍，示例单次决策 0.114 秒完成。
- 零幻觉定位：不生成自由文本，输出收敛在预定义判断空间，少掉一整类出错方式。
- Vercel 首发集成：官网申请资格制接入，Vercel 作为首个集成平台打通部署工作流。
适合谁用
以下类型的用户会特别受益于 Jev：
- 内容审核与风险预筛：批量判断是否违规，低置信进人工队列
- 工单与邮件自动分流：先判类型与紧急度再进对应队列
- RAG 检索结果过滤：判断候选片段是否相关，替掉手写规则
- 高频轻量决策嵌入：把分类类调用从通用大模型迁过来省预算
优点亮点
- 判断类任务的成本与延迟按官方工作流口径比通用大模型低几个数量级
- 带校准置信度，自动化与人工复核的边界可以用代码控制
- 输出类型化，直接嵌进工作流代码，不用解析自由文本
- Vercel 已集成，已在用 Vercel 部署的团队接入路径短
价格与方案
官网开放资格申请。按输入 Token 计费，官方示例单次决策成本 0.000081 美元，第三方实测口径为输入 0.042 美元/百万 Token 且输出 Token 免费。具体价格以官方公示为准。
总结与建议
Jev 是 TypeSafe AI 推出的决策专用大模型，跳过对话与文本生成，只输出带置信度的类型化判断，训练方法为自研 RLCD。官方口径比传统大模型快最多 193.6 倍、便宜最多 444.6 倍。适合把分类、审核、分流这类高频判断从通用大模型迁移过去，用置信度阈值在代码里划清自动与人工的边界。
版本演进
- TypeSafe AI 发布只做高频决策的大模型 Jev，作者实测其分类判断性价比 （2026-09-18）：TypeSafe AI 推出专注高频决策的大模型 Jev，不做对话和文字生成，只输出判断，速度比传统大模型快20~200倍，成本0.042美元/百万Token且输出Token免费。作者实测预筛任务中Jev准确性第二且更便宜，在并行判断任务上达到最高准确率和最快速度；模型采用RLCD训练方法优化决策校准，可在官网 https://typesafe.ai/ 申请资格，Vercel 已首发接入。