Jev 是什么：一个“不会说话”的 AI

2026 年 9 月 15 日，一个叫 Jev 的新模型突然在硅谷 AI 开发者社区刷屏。它来自由前 OpenAI 研究员 Diogo Almeida 创办的创业公司 TypeSafe AI。Almeida 是 InstructGPT 论文的主要作者之一，参与建立了后来广泛采用的 RLHF 训练流程，可以说是 ChatGPT 技术路线的重要奠基人。

Jev 最反直觉的地方在于：它不会写文章、不会写代码、不会聊天，主动砍掉了过去几年大模型最重要的能力——生成文字。TypeSafe 给它的定义非常直接：“Decisions, not strings”——要决策，不要文本。

官方把 Jev 归类为 “System One Model”（系统一模型），名字来自丹尼尔·卡尼曼《思考，快与慢》中的 System 1——快速、直觉式判断。如果说 ChatGPT 这类大模型是在模仿人类的“慢思考”（深度推理），那 Jev 模仿的就是人类的“快思考”（直觉决策）。

“Jev”这个名字本身也经过设计，取自 19 世纪经济学家威廉·杰文斯及其“杰文斯悖论”——当一种资源的使用效率提高、成本下降后，最终需求反而可能增加。TypeSafe 希望同样的事情发生在 AI 上，让“智能判断”足够便宜后被大规模嵌入软件

维度	Jev	传统大模型（如 GPT 系列）
输出方式	直接返回结构化决策结果	生成文字，需额外解析
响应速度	70–500 毫秒	3–329 秒
输入价格	$0.042 / 百万 token	$0.20–$10 / 百万 token
输出价格	免费	约输入价的 5 倍
结构化输出错误率	0%（数学保证）	0.58%–45.5%

二、为什么 Jev 会刷屏：核心原因拆解

2.1 切中了 Agent 时代的真实痛点

过去一年 Agent 概念大热，但真正落地时开发者才发现：一个 Agent 跑起来，要做的是无数次“判断”——调哪个工具、留哪些上下文、这次操作有没有风险、结果要不要人工复查。这些高频判断题交给动不动就“深度思考”的大模型，既慢又贵。

Jev 的走红正踩在这个节点上，在最需要的时候递上了一把顺手又便宜的刀。

2.2 采用速度创下纪录

上线 24 小时内，Vercel AI Gateway 上已有近 13% 的付费团队使用 Jev，是之前所有新模型上线首日的两倍以上。上线 36 小时后，TypeSafe 收到的内测申请涉及约 14 万名开发者。LangChain、Cloudflare、OpenRouter 等主流 AI 基础设施平台全部在第一时间集成。

2.3 创始人的“自带流量”

Almeida 是 ChatGPT 的共同发明人之一，他的官宣帖在 X 上获得约 4000 万次浏览、近 2 万次点赞，Hacker News 冲到 1800 多分、近 500 条评论。更反直觉的是，他做的这个模型，恰恰是要“推翻”他自己参与建立的 RLHF 那套逻辑——他用 RLHF 教会了大模型“怎么说话”，现在又要做一个“不会说话”的模型。

2.4 极低的成本门槛

目前所有注册用户都获得 5 美元额度，约合 1.2 亿 Token，按一次判断通常只烧几百个 token 计算，足够个人尝鲜几十万次。几乎把“决策”这件过去很贵的事做到了接近免费。

三、技术原理：Jev 为什么能这么快、这么便宜

3.1 核心原理

传统大模型是自回归的：一个 token 一个 token 往外蹦，生成 100 个 token 就要跑 100 次前向计算，输出越长越慢越贵。

Jev 不走这条路。它的输出空间是预先定义好的——选项就那么多，答案就是一个概率值。所以它可以并行采样，一次前向计算全部搞定。

3.2 三种 API 原语

Jev 的 API 简单到令人发指，只有三种问题类型：

Noul（是非判断） ：做判断题，返回 0 到 1 之间的概率值。例如判断一封客服邮件是否紧急，直接返回 {"is_urgent": {"noul": 0.95}}。

Choice（选择） ：从预定义选项里挑一个，返回每个选项的概率分布。例如判断客服邮件该转给哪个部门。最多支持 255 个选项。

Score（评分） ：在自定义等级尺度上打分，返回一个连续值和各档位的概率。例如评估客户愤怒程度：1=平静，2=有点烦，3=很生气，4=要跑路。

3.3 RLCD：校准决策强化学习

Jev 用的不是 RLHF，而是 RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）。RLHF 奖励的是“人类看了觉得好”；RLCD 奖励的是“你说的概率，得和你的实际命中率对上”。模型说自己有 90% 把握，那就得真有 90% 的时候是对的。

这个校准非常重要：如果置信度是靠谱的，程序就可以根据置信度做决策——比如 80% 以上置信度自动处理，50%–80% 转人工复核，50% 以下升级处理。

3.4 与传统分类器的本质区别

很多人质疑“这不就是个高级分类器吗”。区别在于：传统分类器每换一个分类任务，就得重新标注数据、重新训练模型。而 Jev 跟大模型一样，具备零样本泛化能力——你告诉它分类标准是什么，它立刻就能判断，不需要微调。

用一句话概括：Jev 像是一个拥有通用语义理解能力的“智能 if 语句” 。

四、Jev 怎么用：从零上手

4.1 注册与获取 API Key

访问 TypeSafe AI 官网，注册账号（目前已全面开放，无需排队）
新用户自动获得 5 美元额度，约合 1.2 亿 Token
在控制台创建 API Key，保存好

4.2 在线体验（最快速）

直接访问中文 Playground：https://jevai.dev/zh-Hans/playground/

登录后，在左侧输入 State（上下文信息），中间输入 Questions（判断题），右侧即可看到结构化结果。

示例：判断客服邮件紧急程度

State：

text

我连续 3 天无法连接 Stripe 账户，正在丢失销售额，请尽快处理！

Questions：


json

{
  "is_urgent": {
    "type": "noul",
    "instructions": "这条消息是否传达了紧急性或时效性"
  }
}

Jev 返回：

json

{
  "is_urgent": {
    "type": "noul",
    "noul": 0.95
  }
}

4.3 通过 API 调用（Python 示例）

Jev 的调用方式非常统一：你给它两样东西——state（上下文状态）和 questions（问题列表），它一次性返回所有结构化答案。

python

import requests
import os
API_KEY = os.environ["TYPESAFE_API_KEY"]
response = requests.post(
    "https://api.typesafe.ai/v1/systemone",
    headers={
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    },
    json={
        "state": "我连续3天无法连接Stripe账户，正在丢失销售额，请尽快处理！",
        "questions": {
            "is_urgent": {
                "type": "noul",
                "instructions": "这条消息是否传达了紧急性或时效性"
            },
            "department": {
                "type": "choice",
                "instructions": "这条消息应该转给哪个部门处理",
                "options": ["技术支持", "销售", "财务", "客户成功"]
            },
            "anger_level": {
                "type": "score",
                "instructions": "客户愤怒程度，1=平静，4=非常愤怒",
                "min": 1,
                "max": 4
            }
        }
    }
)
print(response.json())

一次请求可以同时问多个问题，Jev 会一次性返回所有答案及对应概率。

4.4 通过 OpenRouter 调用（更便捷）

如果你不想单独注册 TypeSafe 账号，可以通过 OpenRouter 使用 Jev：

python

import requests
response = requests.post(
    "https://openrouter.ai/api/alpha/decisions",
    headers={"Authorization": "Bearer $OPENROUTER_API_KEY"},
    json={
        "model": "typesafe/jev-1.13",
        "state": "你的上下文信息",
        "questions": {
            "is_urgent": {
                "type": "noul",
                "instructions": "这条消息是否紧急"
            }
        }
    }
)

4.5 接入 Coding Agent

Jev 提供了 Skill 机制，可以一键安装到 Codex、Claude Code 等 Coding Agent 中。

安装后在终端设置环境变量：

bash

export TYPESAFE_API_KEY="你的 API Key"

持久化的话，把上面这行加到 .zshrc 或 .bashrc 中。

4.6 推荐的三种实用用法

用法一：文章引用核对。 让 Codex 找到原文和引用位置，把文章中的判断和原文相邻上下文交给 Jev，让它在“支持 / 反驳 / 证据不足”中选一个。低把握的项再人工复核。

用法二：代码审查风险筛查。 先判断一处代码改动是否可能有风险（Noul），再选出相关的代码片段（Choice），最后给风险排优先级（Score）。实测审 1000 个 PR 只需 7 美分。

用法三：Agent 工具调用前的风险检查。 在 Agent 执行下一步操作前，让 Jev 判断“这次操作是否有风险”，根据返回的概率决定是否放行或转人工确认。

4.7 注意事项

根据官方已知弱点说明和实测反馈：

数字计算不是它的强项，算术和日期比较应交给普通代码处理
多层推理不是它的强项，需要深度推理的场景请用传统 LLM
对措辞敏感，问题写得越谨慎间接，一致率越低
中文表现弱于英语，非英语场景建议先用自己材料测试
它不能解释理由，需要可追溯推理链的场景（如医疗、法律合规）不适合使用 Jev