今年的大模型发布，几乎都在比谁更会聊天、更会推理。TypeSafe AI 走了反方向：它的首个模型 Jev 一个句子都不写，只返回带概率的类型化决策，让代码直接拿去用。

创始人 Diogo Almeida 在发布文里抛出的问题很直接：模型在聊天上早已超越人类，那自动化都去哪儿了？

以上均为 TypeSafe 官方公布数据

01

Jev 是什么？

一句话：输入程序状态和一组类型化问题，Jev 一次并行回答所有问题，返回结构化的值和校准过的概率，而不是生成文字。

官方的比喻是“前沿智能级的函数调用”：非结构化状态进去，类型化的概率决策出来。也有开发者把它叫做“聪明的 if 语句”——普通代码能判断 order.total > 100，却判断不了“这条消息是不是很生气”。Jev 补的就是这块。

名字有两个出处。System One 来自卡尼曼《思考，快与慢》里快速、直觉的“系统 1”，与缓慢、审慎的“系统 2”相对。Jev 取自经济学家杰文斯（William Stanley Jevons）——蒸汽机效率提升反而让煤炭需求暴涨，TypeSafe 认为智能的成本每降一个数量级，就会解锁多个数量级的新用例。

背后的人也有分量：Diogo Almeida 在 OpenAI 参与了 RLHF 和 InstructGPT 的研究，也就是 ChatGPT 背后的方法。TypeSafe 隐身研发两年，发布时完成了由 DCVC 领投的 4000 万美元融资。

02

它和大语言模型差在哪？

核心区别在输出。LLM 一个 token 一个 token 地生成字符串，你还得解析、校验，并祈祷它没有幻觉或格式出错。Jev 预先定义好所有可能的答案，直接返回类型化的值，没有需要解析的东西，也从构造上杜绝了类型错误。

有两点最值得注意。第一是并行：一次请求里的所有问题同时评估，多加一个问题几乎不增加响应时间。第二是校准：TypeSafe 用自研的“校准决策强化学习”（RLCD）训练，让概率对齐真实结果，而不是讨好人类评审。

为什么校准这么重要？官方原话的意思是：一个模型 95% 的时候能做对，但不告诉你哪些是那 5%，这件事就没法自动化。

03

整个 API 只有三种问题

这是设计，不是限制

Choice · 多选一

从最多 255 个选项中选一个，返回选择、每个选项的概率和置信度。建议加一个 other 选项，让模型能说“都不合适”。

Score · 打分

在你用文字描述的 2–10 级量表上定位，结果可以落在两级之间，比如 1.4。

Noul · 是 / 否

一个是非问题，返回 0 到 1 之间的单一概率。

以一张客服工单为例，一次请求就能同时问三件事，然后用普通 if 语句组合结果：

// 示意结构，非官方 SDK 原样代码

state: "上周扣了两次费，我要退款！"

questions:

  team    → Choice[技术, 账单, 客服, other]

  anger   → Score[平静 … 非常愤怒]

  refund  → Noul("明确要求退款？")

if refund > 0.9 and team == 账单:

  route_to_billing()  # 高置信度，直接执行

04

实测：12 个自动化用例

来自 MindStudio 的测试整理

MindStudio 把 Jev 放进了一批分类密集型的真实工作流里，和 GPT、Claude 做对比。几个结果很有代表性：

其他值得一看的用例：

▸ 社区帖子打标签：流失风险、成员经验、推荐语质量
▸ X 实时信息流：Chrome 插件在帖子加载瞬间标注“突发”“干货”或“AI 水文”
▸ 比特币交易信号：机器人每秒重新判断一次涨 / 跌 / 持有
▸ 会议纪要归类：会议类型、是否做了决定、行动项是否有人负责

注意：那个比特币机器人在测试的第一个小时表现并不好。快，不等于判断准。

TypeSafe 官方也放了几个有趣的 demo：让 Jev 实时玩 Doom（每秒 10 次查询，约 7 美元一小时），以及“维基百科竞速”——每一步都要从成百上千个链接里选一个，正好体现高基数选择下“不幻觉”的复利优势。

05

它做不了什么

不会写：聊天、写代码、总结、头脑风暴、解释推理过程，统统不行。

没有世界知识：它只知道你喂给它的状态，不会去查资料。输入准备得好不好，直接决定上限。

上下文与模态有限：MindStudio 测试中上下文窗口为 64K token；目前只接受文本（字符串、JSON、文本数组），不支持图片、音频、视频。

校准是群体属性：它保证的是“大量预测里，高置信度对应高准确率”，不保证任何单个答案正确。

06

这些数字，要打个折看

官网首页写着“快 193.6 倍、便宜 444.6 倍”。难得的是，TypeSafe 自己在发布文里把附加说明写得很清楚：

▸ 评测是在西海岸团队自己的笔记本上跑的
▸ 无法证明定价没有补贴，需要时间检验
▸ 工作流不在训练集里，但由自家能力团队编写
▸ 以 GPT-6 Astra 和 Fable 5.1 的平均值作参考答案，本身带有偏向
▸ 193.6× / 444.6× 官方也认为偏向真实收益的上限

唯一难以反驳的：0% 类型错误。输出结构由 schema 保证，只要一个反例就能证伪——这也是它最有底气的一条。

07

正确用法：做决策层，而不是替代大模型

三篇文章给出的结论高度一致：Jev 负责便宜地分类和分流，普通代码处理能处理的部分，前沿大模型只接手少数难题——比如起草回复、总结选出来的评论主题。

更进一步是“置信度门控”：不是全系统一个准确率阈值，而是每个动作按出错代价单独设阈值。便宜、只读的操作在高置信度时自动执行；代价高的先确认；置信度低就交给人或大模型。这样既省下大量 LLM 调用，也在“机器决定的”和“需要人看的”之间划出一条清晰、可审计的边界。

写在最后

Jev 是一个真正不同的思路：把 AI 做成函数调用的形状，而不是聊天机器人。如果它在厂商自测之外也站得住，那些尴尬地塞在 LLM 提示词里的千万个小判断，可能都会搬到 System One 模型上。但眼下它仍是早期访问、仅支持文本、性能数字均为自报。最稳妥的做法：挑一个窄而高频的决策，拿你现在的方案跟它比一比。

参考来源

· TypeSafe AI：Introducing System One Models & Jev（typesafe.ai/blog）
· Eigent：What Is Jev? TypeSafe AI's System One Model, Explained（eigent.ai/blog）
· MindStudio：12 Jev Use Cases Tested（mindstudio.ai/blog）