Jev 模型不说话的判断器

Jev 是 TypeSafe AI 的旗舰“System One”模型，定位不是聊天/生成式大模型，而是结构化决策模型：提交待判断内容（state）和若干个类型化问题（questions），并行评估后返回 _machine消费的答案: 选项分数概率置信度

只做判断，不写文章不生成自由文本不适合写稿/对话/代码生成
适合路由、分类、风控、审核、Agent 决策网关

Jev 这个名字取自 19 世纪英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）
杰文斯悖论说的是蒸汽机效率越高，煤反而烧得越多
TypeSafe 赌的是同一件事：当一次判断便宜到接近免费，开发者会在以前根本舍不得用的地方，疯狂往里塞 AI。

经济学上著名的「杰文斯悖论」指出，当技术的进步提高了某种资源的利用效率，导致其使用成本大幅下降时，该资源的总消耗量不但不会减少，反而会呈现爆发式增长
TypeSafe AI 给 Jev 定下的价格是每百万输入 token 仅需 0.042 美元，输出免费。按照这个资费，一天进行 1 万次业务决策，单月成本在 120 美元左右
而在以往，如果使用同等准确率的顶级推理大模型做这套流程，每月账单会直奔 3.5 万美元
暴跌的成本激活了此前被判定为「毫无商业价值」的边缘场景
「判断」和「生成」分家
过去 AI 主线是「大模型越来越大、越来越聪明、越来越全能」
一个模型既能聊天，又能写代码，还能看图做表，什么都会
整个行业默认「智能」是一块铁板，不可拆分
Jev 撕开了这块铁板。证明了有些工作需要推理和表达，有些只需要快速判断
把两者绑在一起，是一种结构性的浪费

Jev 催化新范式
AI 系统不再只有「一个大脑」，而是开始出现分工
海量的毫秒级判断交给便宜到像自来水一样的直觉模型
只有在真正需要向人类输出成段文字、起草复杂文档的少数节点，才唤醒那个昂贵的生成式模型
这不是降本增效，这是 AI 基础架构从「中央集权」，走向「分布式分工」的起点

Quick start
https://docs.typesafe.ai/introduction/quickstart
Here’s everything you need to get started immediately.
第一步：在 Playground 试用并申请 API Key
Jev 目前处于早期访问阶段，使用流程分三步：
登录 Playground
https://docs.typesafe.ai/introduction/quickstart
打开 console.typesafe.ai/playground
粘贴任意一段文本作为状态，添加一个 Noul 问题如"Does this message express urgency?"
即可看到返回的概率
申请 API Key
在控制台的 Keys 页面创建密钥
官方文档写明"Get your API key from the dashboard"。
设置环境变量
SDK 默认读取 TYPESAFE_API_KEY
无需在代码中硬编码

export TYPESAFE_API_KEY=“你的密钥”
pip install typesafe-sdk # Python 3.10 以上
npm install @typesafe-ai/sdk # Node.js 20 以上

第二步：用 curl 发起调用
Jev 全部模型共用一个端点
请求体只有三个顶层字段：state、model、questions

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "Hi, I have been trying to connect my Stripe account for 3 days and the integration keeps failing. I am losing sales. Please help ASAP.",
    "model": "jev-latest",
    "questions": {
      "urgency": {
        "type": "noul",
        "instructions": "Does this message express urgency?"
      }
    }
  }'

返回体的顶层字段为 model、answers、usage
model 字段返回实际作答的版本号，即使请求里写的是别名，便于日志记录

{
  "model": "jev-1.13.0",
  "answers": {
    "urgency": { "type": "noul", "noul": 0.99 }
  },
  "usage": { "input_tokens": 360, "output_tokens": 39 }
}

第三步：理解三种问题类型

Jev 只有三种问题原语，可在同一次请求中任意混用，所有问题针对同一状态并行独立评估，官方称"增加问题几乎不改变响应时间"

原语	用途	请求字段	返回字段
Choice	从固定选项中选一个	instructions、criteria（选项名到描述的映射，最多 255 项）	choice、probabilities、confidence
Score	按有序等级打分	instructions、criteria（从低到高的等级描述数组，2 到 10 级）	score、probabilities、confidence、legend
Noul	判断是非	instructions，可选 criteria 说明 true 与 false 各指什么	noul（0 到 1 的"是"概率）

三个字段的设计细节：

问题 id 不会发给模型。字典键只用于回传答案，模型看到的是 instructions 和 criteria 的内容，因此选项描述必须能彼此区分
Score 的分值等于等级在数组中的下标
三级量表返回 0 到 2 之间的加权均值，如 0.57 概率落在第 1 级、0.43 落在第 2 级则 score 为 1.43。官方建议"描述情境而非程度"，纯数字等级会导致概率分散
Noul 没有 confidence 字段
二元分布用一个数即可完整描述，接近 1 为强"是"，接近 0 为强"否"

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

ticket = "Hi, I have been trying to connect my Stripe account for 3 days and the integration keeps failing. I am losing sales. Please help ASAP."

with TypeSafeClient() as client:
    response = client.system_one(
        state=ticket,
        questions={
            "department": Choice(
                instructions="Which team should handle this",
                criteria={
                    "billing": "Payments, invoices, refunds",
                    "technical": "Integration errors, API failures, bugs",
                    "sales": "Pricing questions, upgrades, new purchases",
                },
            ),
            "frustration": Score(
                instructions="How frustrated is the customer",
                criteria=[
                    "Neutral or polite, no complaint",
                    "Annoyed, mentions a problem but stays civil",
                    "Angry, threatens to leave or uses hostile language",
                ],
            ),
            "is_urgent": Noul(instructions="Does this message express urgency?"),
        },
    )

print(response.answers["department"].choice)       # technical
print(response.answers["frustration"].score)       # 1.0
print(response.answers["is_urgent"].noul)          # 1.0

状态字段可是字符串，也可是 JSON 对象或数组
官方建议多数请求用对象，把工单、订单、退款政策等相关信息放进同一个 state 并各自命名，模型只读取一次状态再并行回答所有问题。

第四步：用 confidence 做三档路由
confidence 是从概率分布形状压缩出的 0 到 1 单值，全部概率集中在一个选项时为 1.0，分布越平均越低
官方给出的三选项近似公式为最大概率乘 3 减 1 再除 2
它只描述模型输出的分布形状，官方明确"不是答案正确的保证"
官方推荐的用法是把 confidence 作为第二个决策维度，按操作风险设不同门槛

from typesafe_sdk import Choice, TypeSafeClient
with TypeSafeClient() as client:
    response = client.system_one(
        state=user_message,
        questions={
            "action": Choice(
                instructions="What does the user want to do",
                criteria={
                    "check_balance": "View account balance",
                    "approve_transfer": "Approve a pending withdrawal",
                    "support": "Get help with something else",
                },
            )
        },
    )
# route_to_human、show_balance 等为业务侧自定义函数
answer = response.answers["action"]
if answer.confidence < 0.5:
    route_to_human(user_message)            # 模型确实不确定，不要猜
elif answer.choice == "check_balance":
    show_balance(account_id)                # 低风险、可恢复，直接执行
elif answer.choice == "approve_transfer":
    if answer.confidence > 0.9:
        confirm_then_execute(account_id)    # 高风险操作要求更高门槛
    else:
        ask_user_to_confirm(account_id)

官方文档命名为 Confidence-Gated Routing
另外三种官方模式是
Speculative Fan-Out（一次发出多个推测性问题、由代码决定用哪些）
Composite Scoring（多个原子 Score 在代码中加权合成）
Intent Routing（分类后分别交给确定性逻辑、专用大模型或人工）
阈值的原则是先保守、用自己的数据测、再调整

第五步：用开源适配器和大模型做对照

TypeSafe 开源了 system-one-adapter-python
是 TypeSafeClient 的替代实现，用同一套 Choice、Score、Noul 接口调用大模型，方便在成本、速度、准确率上做同题对比


pip install 'system-one-adapter[openai]'

from system_one_adapter import SystemOneAdapterClient, Noul
from system_one_adapter.providers.openai import OpenAIProvider

client = SystemOneAdapterClient(
    structured_outputs=True,
    llm_answer_mode="probabilities",
    normalize_probabilities=True,
)

response = client.system_one(
    state="This book was a delight to read.",
    questions={"positive": Noul(instructions="The book review is positive.")},
    model=OpenAIProvider("模型名", base_url="https://你的兼容端点/v1"),
)
print(response.answers["positive"].noul)
print(response.usage.latency, response.usage.input_tokens_total)

适配器的 OpenAIProvider 接受任意 OpenAI 兼容端点作为对照组，响应对象额外带 latency、重试次数和每次请求的原始记录

第六步：落地前必须知道的限制
据 TypeSafe 模型页与独立测试者 Emil Lindfors 报告，Jev 有六项限制：

速率限制动态调整
官方警告在 GPU 供给到位前限制"可能不经通知变化"，SDK 默认按 retry-after 头退避重试，Python 中超限抛出 TypeSafeRateLimitError

上下文预算双重约束
64K 覆盖状态加全部问题，32K 覆盖状态加最长单个问题，超长文档需先切分

英语优先
官方称中日韩文字"可以处理但准确率较低"，Lindfors 的挪威语测试发现每 Token 约 2.06 字符，32K 只能装约 6.4 万字符

按字面读指令
测试者发现问题写得越谨慎间接，与参考标签的一致率越低，官方建议措辞直接、让高值对应"是"

不可微调
同一套权重服务所有账户，领域知识只能通过 state 和 criteria 注入

不解释理由
输出只有选项与概率，需要推理链的合规场景不适用

官方另提供 Agent Skill
在 Claude Code 中运行 claude plugin marketplace add typesafe-ai/skills
后可让 AI 编程助手按官方规范生成集成代码，据 GitHub 数据该仓库有 1270 个星标

常见问题
Jev 现在可以直接注册使用吗？
需登录 console.typesafe.ai 加入候补名单后获得 API Key
Playground 登录后可直接体验
第三方网关 OpenCode Zen 已上架 jev-1.13 与免费版 jev-1.13-free，可作为试用入口。

model 字段填 jev-latest 还是 jev-1.13.0？
官方建议开发阶段用 jev-latest，生产环境若已按某版本调好 confidence 阈值则锁定版本号
因为别名随新版本发布会自动迁移。响应中的 model 字段始终返回实际版本号，可用于日志核对。

Jev 会记录我的数据吗？
官方模型页写明 Jev 不使用客户请求与响应训练，企业客户可申请零数据保留
服务部署于美国西海岸，跨境数据传输需自行评估合规

一次请求最多能问多少个问题？
官方未给出问题数上限，约束来自 64K 总上下文
每个 Choice 最多 255 个选项，每个 Score 最多 10 级
官方推荐把可能用到的问题一次全发出去，代码只读需要的答案，代价是全部问题都计入输入 Token。

Jev 输出的 score 是 1.0，能说明什么？
只能说明加权均值为 1.0，不能说明分布
可能是全部概率集中在第 1 级
也可能是第 0 级和第 2 级各占一半
官方要求 score 必须和 probabilities、confidence 一起读

总结
Jev 的核心步骤是
在控制台申请 API Key
向 api.typesafe.ai/v1/systemone 发送 state 与 questions，
用 Choice、Score、Noul 三种原语把复杂判断拆成原子问题
再用 confidence 阈值在代码中决定自动执行、请用户确认或转人工
价值在于毫秒级延迟和校准过的概率，前提是任务能被表述为选择、评分或是非题，且输入以英语文本为主

延伸阅读
TypeSafe 官方快速开始
https://docs.typesafe.ai/introduction/quickstart

TypeSafe 模型与限制页
https://docs.typesafe.ai/models

TypeSafe 置信度文档
https://docs.typesafe.ai/confidence

TypeSafe Python SDK
https://github.com/typesafe-ai/typesafe-sdk-python

TypeSafe JavaScript SDK
https://github.com/typesafe-ai/typesafe-sdk-js

开源适配器 system-one-adapter-python
https://github.com/typesafe-ai/system-one-adapter-python

Jev 模型不说话的判断器

第三步：理解三种问题类型

第五步：用开源适配器和大模型做对照

推荐产品

热门文章

产品分类

热门产品

联系方式

扫码联系