ARTICLE · 1041141
Jev:面向软件的快速决策模型
Jev 是 TypeSafe 推出的 System One 模型，主要做决策判断。它可以给信息分类、对内容评分、筛选资料，或者选择下一步交给哪个工具。输入是文本材料和问题，输出是选择、分数和概率。[1]
我们常用的生成式大语言模型（Large Language Model，LLM）可以写文章、生成代码、解释问题。Jev 不生成这些自由文本，它从应用提供的答案范围中作判断。例如，同样收到一条新闻，LLM 可以写一段分析；Jev 对它进行判断，判断它与公司有多相关、是否值得继续研究。
Jev 的特点在于，它专门面向这类判断设计，省去了生成答案文本的过程。[5]
TypeSafe 将 Jev 描述为利用预训练语言能力、并利用RL后训练对判断任务训练的模型。预训练让模型获得理解语言的基础，后续训练再使它适应不同任务。[13]
模型接口：把自然语言理解变成程序可用的值
Jev 的一次请求包含两部分：state 是待判断的材料与相关事实，questions 定义问题及答案标准。可以把 state 理解成共同阅读的材料，把 questions 理解成针对这份材料提出的不同题目。
例如，state 可以同时包含下面两条信息。这里使用一个虚构例子：
公司情况：我们提供在线会议服务，关注会议记录和团队协作。 新闻内容：竞品 A 宣布上线 AI 会议摘要，可以自动整理会议待办事项。 针对这份相同的材料，可以一次提出三道题，分别使用官方提供的三种输出类型：[3]
Choice 返回选中的类别及各选项概率；Score 返回按标准评出的分数及等级分布；Noul 返回 0 到 1 之间的概率。三道题使用同一份材料，第一题看事件类型，第二题比较新闻与公司业务，第三题检查是否出现指定信息。它们不依赖彼此的答案，可以在同一次请求中并行判断。
使用接口时，每道题都要分别写明题目、输出类型和判断标准，再放进同一个 questions 字段。给问题起的名字只是方便程序取结果，具体要判断什么仍要在题目中写清楚。[3]
标签和标准由每次请求定义。同一个模型可以先判断新闻，再选择工具，随后检查某段引文是否支持结论。[4]
Noul 返回 0.5，表示模型对“是”和“否”同样不确定；Score 衡量的是程度。比如“与业务是否相关”返回 0，表示无关。
应用方向：从业务自动化到 Agent 内部判断
TypeSafe 的官方应用地图将主要方向分为五类。它们都可以使用上面的提问方式，只是输入材料和要作出的判断不同。[2]
Jev 的五个应用方向：AI 自动化软件、实时应用、大规模数据处理、核验与检查、Agent 运行框架
AI 自动化软件。 处理客服消息、工单或申请材料时，判断用户想做什么、资料是否齐全、应该交给哪个部门。流程可以提前写好，但用户的表达各不相同，需要模型理解内容。
实时应用。 游戏或交互助手不断把当前状态交给 Jev，让它从可用动作中选择响应。官方 Doom 演示就采用了这种方式，不过它提供的是文本化的游戏状态，画面识别并不由 Jev 完成。[5]
大规模数据处理。 给大量新闻分类、筛选搜索结果、检查程序运行记录，也可以把文本中的特征变成数字。例如“评论是否提到价格”“满意程度是多少”，每条评论都回答同一组问题，就能得到一张可分析的数据表。官方还展示了让 LLM 提出问题、Jev 批量回答，再把结果交给另一个预测模型的做法。[6]
核验与检查。 把一段结论和它引用的原文一起交给 Jev，询问“原文是否支持这句话”。也可以检查另一个模型的回答有没有漏掉要求、准备调用的工具是否符合任务。这些检查可以挑出需要复核的内容，但仍可能漏判或误判。
Agent 运行框架。 Agent 可以理解成能调用工具完成任务的 AI 程序。它需要选择模型、查找合适的技能、决定哪些资料要放进输入。Jev 可以承担这些选择。官方示例先从 182 个技能中筛选候选，再读取前三个的详细信息进行复核，也允许一个都不选。[7]
所有需要决策的应用都可以在适当的时候接入Jev，提供状态和问题定义即可。
效率来源：减少生成、重复输入与串行等待
Jev 的效率优势首先来自输出方式。对于只需要类别、分数或概率的任务，它直接返回判断结果，无须逐个生成组成答案的 token。
同一份 state 还可以供多个问题共同使用。前面的新闻例子中，三道题分开问，就要提交三次材料；放在一次请求里，只需提交一次材料和三道题。模型并行判断，程序分别读取答案。
如果后续处理有不同分支，也可以提前把可能用到的问题一起问完。例如，新闻系统收到“产品更新”后需要检查新功能，收到“融资消息”后需要检查资金用途。只要正文已经提供这些信息，两道题就可以与新闻分类一起提交。类别确定后，由具体的应用程序针对相关的判断进行处理。[8]
只要决策点的输入的状态信息一次，就可以一次请求问完；只有依赖新的数据的时候才需要串行进行询问。[3]
并行和串行的请求价格差异：对同一篇文档提出 13 个问题，单次合并请求平均约 0.27 秒、0.000497 美元；拆成 13 次顺序调用约 2.71 秒、0.006090 美元。[9]
截至 2026 年 9 月 19 日，官方列出的 Jev 1.13 输入价格为每百万 token 0.042 美元，输出不收费。[4]
Newsjack：把新闻粗筛交给 Jev
让我们从一个开源库里面看Jev的能力。Newsjack 是一个开源公关工作工具集，它让系统拿到新闻线索后，先用 Jev 做第一轮筛选，挑出值得继续处理的内容。[10]
每条线索调用一次，一次问六个问题：保留、观察还是丢弃，原因属于哪一类，是否属于新闻，与业务是否有关，是否为推广内容，以及是否存在风险。每道题都读取同一条线索和公司的相关信息。
具体的执行流程由程序控制，Jev只做决策判断。例如，模型不太确定是否应该丢弃一条线索，代码就把它改成“继续观察”。把相关报道归在一起、核查来源、撰写报告，则继续交给其他组件。
作者报告的一次真实 API 测试，使用 jev-1.13.0 处理 176 条线索，在 8 并发下用时 8.3 秒，估算模型费用约 0.013 美元，单调用延迟中位数约 260 毫秒。[10]
与原先负责筛选的 LLM 相比，Jev 在“保留还是丢弃”上的一致率为 76.7%，低于项目设置的 85% 门槛。也就是说，两个系统对一部分新闻作出了不同选择。但是项目中并没有对准确率做出判断，所以Jev的决策准确率还有待完整评估。（貌似说英文还行，但是中文不咋地）[11]
RLCD：优化概率判断，业务标准仍需设计
TypeSafe 将其训练方法称为 RLCD，即 Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习。它希望模型不仅作出选择，还能给出与实际结果相符的概率。[13]
常见的模型后训练方法还包括从人类反馈中进行强化学习（Reinforcement Learning from Human Feedback，RLHF），以及使用可验证奖励进行强化学习（Reinforcement Learning with Verifiable Rewards，RLVR）。前者常用于让回答更符合人的偏好，后者根据答案等结果是否正确提供奖励。
TypeSafe 创始人 Diogo Almeida 曾参与 InstructGPT 的研究。他在 Jev 发布文章中提出一个问题：语言模型已经很擅长与人交流，为什么大规模自动化仍然没有随之出现？他的判断是，软件中大量需要 AI 的地方，只需要一次分类、选择或评分，因此值得为这些任务专门设计模型。[5]
这也改变了模型的训练目标。按照 TypeSafe 的解释，人觉得满意的回答，未必就是程序可以可靠采用的判断。自动化系统除了需要答案，还需要知道何时应该继续执行、何时应该交给更强的模型或人工处理。因此，Jev 希望通过 RLCD，让输出的概率更好地反映判断的不确定性。[13]
例如，模型对一组新闻都给出“80% 的概率与业务相关”，实际相关的比例就应接近 80%。如果这种对应关系在业务数据上成立，程序就有依据设置自动处理与复核的条件。
能力边界：问题可以变化，判断必须有依据
Jev 可以回答“这几条新闻中，哪些值得研究”，也可以在应用给出的几个计划之间评分。但“为公司设计一套新闻监测方案”还涉及寻找信息源、确定要问什么、安排步骤和生成新方案。整体的执行规划和流程需要外部设计。
官方建议每道题只问一个聚焦判断。把复杂目标拆成什么问题、提供哪些材料，都会影响最后的效果。[3]
Jev 已有公开的工作流评测。TypeSafe 将安全事件处理、Agent 运行记录检查、发票处理和客户服务四类任务，拆成多道 Choice、Noul、Score 问题，再由代码组合答案、决定后续处理。四类任务等权平均后，Jev 的得分约为 67.8%，GPT-5.6 Terra 约为 67.9%，GPT-5.6 Sol 约为 74.1%。在这组测试中，Jev 的平均表现接近 Terra，但不同任务的差异明显：发票处理上，Jev 为 61.8%，Sol 为 79.1%。[17]
Computer Use任务中，对于DOM点击点判断，一些截图需要文字识别或者视觉模型处理的，可以交给Jev，从提供的元素和动作中进行决策，极大提升了Computer Use的效率，而且显著降低了token的消耗成本。[1]
现在Jev还不擅长精确计算、日期比较和多步推理，而且提供的无关对结果的判断影响较大，针对不同题目的答案也可能互相矛盾。[15] 而且它的主要训练语言是英文，其他语言任务需要等后续测试效果（但是看到一个中文demo效果一般）[4] 此外，已经有成熟专用分类器的任务未必适合替换：Parallel 的测试发现，Jev 在部分重排任务上接近其内部系统，但在两类分类任务及每篇文档费用上没有超过专用方案。[16]
实际使用时，可以让 LLM 负责提出方案、生成内容和处理复杂问题，让 Jev 负责已经明确的分类、选择与评分，再由代码连接流程、执行操作和检查结果。新闻筛选以后再生成分析报告，就是这种分工。对判断量大、问题清楚的工作，这样的组合有机会减少成本和等待，同时保留处理复杂任务的能力。