Jev 是什么？TypeSafe 决策模型详解
一个只做选择、不写文字的模型。System One 决策模型接收什么、返回什么，价格多少，独立测试怎么评价它，以及它在哪些地方会出错。
LLM Pricing3,915 字阅读约 9 分钟
Jev 是 TypeSafe AI 的模型，它不生成文字。你给它一段文本或 JSON（称为状态，state），再附上若干类型化的问题；对每个问题，它返回一个选项、一个分数或一个是/否概率，同时给出答案背后的概率分布。TypeSafe 于 2026年9月15日 以早期访问的形式发布了它，并称其为第一个「System One 模型」。其他厂商和媒体把这一类模型叫作决策模型（decision model）。
事实取自 TypeSafe 的文档与发布文章、Artificial Analysis 和 Arize 两份独立的评测文章，以及媒体报道，链接列在「来源」一节。
简短结论
- Jev 是决策模型，不是聊天或编程模型。它读取文本（图像是需要主动开启的实验功能），返回带概率的类型化答案，不产出散文、代码或解释。
- 一次请求带一个状态和任意多个问题。Choice 从选项里挑一个，Score 按有序等级打分，Noul 给出「是」的概率，Box（仅 Jev 1.14）在图像里定位某个东西。
- 输入每百万 token $0.042，输出免费。本站 catalog 里的付费宿主报的都是同一个价。
- Jev 1.13 于 2026年9月15日 发布，Jev 1.14 于 2026年10月14日 发布。权重不公开，只能通过托管 API 使用。
- Artificial Analysis 在其 Decision Index 上给 Jev 1.13 打了 58 分，在发布时是决策模型里的第一，比 Claude Haiku 5.5（Low）低 3 分，每百万任务成本 $42，对方为 $184。之后出现的新决策模型得分更高。
Jev 是什么
TypeSafe AI 是一家位于旧金山的公司，2024 年由 Diogo Almeida 与 Erik Gafni、Sasha Sheng 创立。Almeida 曾在 OpenAI 参与基于人类反馈的强化学习（RLHF）。TechCrunch 报道，该公司在发布几周后的 10 月 9 日完成 8.7 亿美元融资，估值 75 亿美元。
TypeSafe 的论点是：聊天模型被调教成输出人愿意读的答案，而软件消费输出时并不适配这一点。Jev 用该公司称为「面向校准决策的强化学习」（RLCD）的方法训练，目标是在大量预测中，给出 0.8 概率的答案大约有 80% 是对的。TypeSafe 没有公布架构、权重和论文。TechCrunch 称它是基于 Transformer 的模型，Almeida 告诉该媒体，训练数据全部是合成数据。
两个名字各有出处。「System One」取自 Daniel Kahneman《思考，快与慢》里快速、直觉式的思维。「Jev」取自经济学家 William Stanley Jevons，他的悖论说的是：资源使用得更高效，总消耗反而往往上升。
请求是怎么工作的
所有请求发往同一个端点 POST https://api.typesafe.ai/v1/systemone，由 model 字段选择版本。请求体包含 state（字符串、JSON 对象或文本数组）和 questions 映射。每个问题有 ID、type、instructions，Choice 和 Score 还要有 criteria 来定义选项或等级。ID 只给你的代码用，TypeSafe 文档说明它不会发给模型，所以完整的问题必须写在 instructions 里。
| 问题类型 | 用途 | 答案字段 |
|---|---|---|
| Choice | 从列表里挑一个选项；TypeSafe 发布文章称最多 255 个选项 | choice、probabilities、confidence |
| Score | 按你描述的有序等级打分 | score（可落在两个等级之间）、legend、probabilities、confidence |
| Noul | 判断一个陈述是否成立 | noul，0 到 1 的概率 |
| Box（Jev 1.14） | 在图像里定位一个目标 | box（四条边，为图像宽高的比例）、confidence |
同一请求里的所有问题针对同一个状态并行、独立地求值，答案之间互不影响。如果后一个问题依赖前一个答案，就要发第二次请求。TypeSafe 建议每个问题只问一个窄判断，再在自己的代码里组合答案。例如不要问「给这个项目打分」，而是分别问市场规模、技术可行性和差异化，再自己加权。
confidence 概括概率的集中程度：均匀分布为 0，概率全压在一个选项上为 1。对有 n 个选项的 Choice，公式是 (最高概率 - 1/n) / (1 - 1/n)。Noul 没有 confidence 字段，因为接近 0.5 的值本身就表示模型拿不准。TypeSafe 建议分三档处理：高置信度时自动执行，中间档请用户确认，低置信度时转人工，阈值按判断出错的代价调整。
校准描述的是一批预测的整体表现。TypeSafe 文档说明，它不保证任何单个答案正确；发布文章里「不会幻觉」的说法，指的是答案一定落在你给出的选项里，而不是答案一定正确。
用来做什么
TypeSafe 的 cookbook 涵盖工单与意图路由、函数调用、LLM 输入输出的护栏、引用核对、给检索到的段落打分、重排序和层级式文档分类。媒体引用的早期用户讲的是在现有流程里替换模型。TechCrunch 报道，Vercel 的一位工程师把命令安全分类器里的 OpenAI 模型换成 Jev，速度快 5 到 18 倍，准确率也更高。同一篇报道还引用了 Bryo AI 的 CTO：他测试邮件分类时发现 Gemini 比 Jev 略准，但贵 10 到 20 倍。
Jev 不能替代聊天助手或编程 agent 背后的语言模型。TypeSafe 文档直接说明了这一点，并点名 Claude Code、Cursor、Copilot、Muse Spark 和 Grok Bot 等工具无法由它驱动。文档里的用法是：用 agent 去写调用 Jev 的代码，让 Jev 负责产品内部的各项判断。
版本、图像与语言
| Jev 1.13 | Jev 1.14 | |
|---|---|---|
| 模型 ID | jev-1.13.0 | jev-1.14.0 |
| 发布日期 | 2026年9月15日 | 2026年10月14日 |
| 问题类型 | Choice、Score、Noul | Choice、Score、Noul、Box |
| 图像输入 | 需主动开启请求头 | 需主动开启请求头 |
| 默认上下文 | 每请求 64K，每问题 32K | 每请求 64K，每问题 32K |
| 长上下文模式 | 262K | 262K |
| 输入价格（每百万 token） | $0.042 | $0.042 |
有两个别名指向具体版本。本文核对于 10 月 23 日，当时 TypeSafe 的 Models 页面把 jev-latest 列为 jev-1.13.0，jev-preview 列为 jev-1.14.0。媒体对 1.14 发布文章的转述称，jev-latest 计划在 10 月 14 日之后约一周移到 1.14.0。别名移动后，你的代码没有改动，答案却可能变化，所以 TypeSafe 建议：如果按某个版本调过阈值，就直接写带版本号的 ID。响应里的 model 字段会记录是哪个版本给出的答案。据 MarkTechPost 对发布文章的转述，TypeSafe 在下线 1.13 前给 60 天通知，下线 1.14 前给 30 天通知。本站把别名和 1.13 的渠道放在 Jev 一页，1.14 放在单独的页面。
两个版本都接受图像，需要带上 TypeSafe-Danger-Zone-Images: true 请求头。TypeSafe 把图像和 Box 标为「dreamer-ready」，意思是只适合做原型：请求格式、答案和限制都可能在版本之间变化，准确率也低于纯文本。图像须为 PNG 或 JPEG，单文件最大 16 MiB，每边 280 到 1,568 像素，按输入 token 计费。Box 问题每次都会返回四条边，即使目标不在图里，所以 TypeSafe 建议配一个 Noul，先问目标是否可见。音频和视频不支持。
英语是主要训练语言。TypeSafe 表示其他语言（包括中日韩文字）可以处理，但效果不均衡，并预期 1.14 在多语言输入上提升最大，但没有公布分数。
Jev 价格
单位为美元每百万 token，2026 年 10 月 23 日取自 TypeSafe 的 Models 页面和本站 catalog。
| 项目 | Jev 1.13 与 Jev 1.14 |
|---|---|
| 输入 | $0.042（每十亿 token $42） |
| 输出 | 免费 |
| 图像 | 按输入 token 以同一价格计费 |
| 长上下文模式 | 每 token 价格相同；据 TypeSafe 说明，速度更慢、准确率更低 |
TypeSafe 自己的 API 不在本站读取的 models.dev 数据里，所以模型页没有官方价。catalog 里所有宿主都报 $0.042 输入、输出免费，只有一条标为 free 的渠道报 $0。catalog 里 Jev 的上下文数字按宿主不同，从 32K 到 262K，接近 TypeSafe 公布的三个限制：每问题 32K、每请求 64K、带长上下文请求头时 262K。
只有输入计费，所以成本取决于每次请求带上的状态有多大：
| 每次请求的输入 token | 单次请求成本 | 每百万次请求成本 |
|---|---|---|
| 500 | $0.000021 | $21 |
| 5,000 | $0.00021 | $210 |
| 32,000 | $0.001344 | $1,344 |
不论带多少个问题，一次请求里的状态只计费一次。TypeSafe 的并行问题 cookbook 报告，13 个问题放进一次调用，比分成 13 次调用便宜 11 倍以上，答案相同。发布文章还说，TypeSafe 无法证明这个价格没有补贴，并预期价格会下降而不是上升。
Jev 是 catalog 里 kind 为 decision 的 31 个条目之一，其中含各种变体和免费版本。下面选几个，列出 10 月 23 日的最低付费输入价和最大上下文：
| 模型 | 输入（每百万） | 输出 | 上下文 |
|---|---|---|---|
| Jev 1.14 | $0.042 | 免费 | 262.1K |
| Microsoft Decision-1 | $0.042 | 免费 | 32.8K |
| Liquid d1-ultra | $0.042 | 免费 | 32.8K |
| Perplexity Decider V1.2 | $0.02 | 免费 | 262.1K |
| Inception Mercury Decide | $0.02 | 免费 | 65.5K |
| OpenAI GPT-6 Luna Decisions | $0.10 | 免费 | 1.05M |
| Cloudflare Clef | $0.2245 | 免费 | 65.5K |
据 TechCrunch，OpenAI 的 Decisions API 于 9 月 29 日公布，10 月 22 日向所有客户开放。Arize 发现它测试的 8 个决策模型里有 7 个接受 Jev 的请求格式，OpenAI 的则是一整块纯文本加一个问题列表。
Jev 表现如何
TypeSafe 发布文章称，在它自己的工作流评测里，Jev 比前沿 LLM 快 193.6 倍、便宜 444.6 倍，端到端耗时 70 到 500 毫秒。同一篇文章也说明，这些收益处于真实场景的高端，工作流由其模型能力团队编写，参考答案是两个大型 LLM 的平均值。对于 1.14，TypeSafe 只发布了没有分数表的图表，只和开放权重模型比较，并表示这样的比较可能偏向自家模型。
Artificial Analysis 于 10 月 13 日发布了 Decision Index v1.0。它对四项测试等权平均：AA-Omniscience-Decision（知识与幻觉）、HLE-MultiChoice（推理）、When2Call（工具调用）和 WildGuardTest（安全分类）。Jev 1.13 的结果如下：
| 指标 | Jev 1.13 |
|---|---|
| Decision Index | 58，领先 GLiDE 和 Microsoft-Decision-1（均为 54） |
| HLE-MultiChoice | 21，其他决策模型不超过 15 |
| AA-Omniscience-Decision | 准确率 35，非幻觉率 35 |
| When2Call | 81，第四，前两名为 84 |
| WildGuardTest | 94，比 GLiDE 低 1 分 |
| 每任务耗时 | 0.13 秒 |
| 每百万任务成本 | $42 |
与语言模型相比，Claude Haiku 5.5（Low）得 61 分，每任务 1.4 秒，每百万任务 $184；GPT-6 Luna（Low）得 55 分，1.5 秒，$131。LLM 在知识类题目上领先：在 AA-Omniscience-Decision 上准确率为 52 和 66，决策模型为 28 到 41。Artificial Analysis 还发现决策模型过度自信：在几乎所有概率档位上，实际准确率都低于模型给出的概率，主要出在知识和推理题上，而在工具调用和分类题上校准较好。
Arize 是一家把 Jev 作为内置评审模型提供的评测平台。它在发布约三周后，把 Jev 1.13 与另外 7 个决策模型做了对比。Jev 在 RAGTruth 幻觉检测上的平衡准确率为 85.5%，在 13 套 Phoenix 评估器上为 91.1%，52 个 agent 路由用例答对 49 个。它的校准误差 0.023 是 8 个模型里最低的，不过与 Liquid d1 的区间有重叠。领先的几个模型之间，准确率差异都落在彼此的置信区间内。在措辞测试中，把幻觉问题的说法反过来之后，Jev 的 ROC AUC 仍保持在 0.93，而其他几个模型跌到了 0.5 以下。Arize 的建议是：换用任何新模型之前，把同一问题的两种说法都试一遍。
排名变化很快。10 月 22 日，TechCrunch 把最新的 Jev 放在 Artificial Analysis Decision Index 的第三、AIM System One Index 的第七，排在 Liquid d1-ultra 等较新的模型之后，同时报道 TypeSafe 的模型在某个模型网关上是被调用最多的决策模型。
局限与数据处理
TypeSafe 在一个最近核对于 10 月 2 日的页面里列出了 1.13 的失效模式：
- Jev 按字面理解问题。把确切条件和边界情况写进 criteria。
- 它数数不可靠，算术和日期比较也弱。用 Jev 抽取各个部分，计算交给代码。
- 双重否定和多步推理会降低准确率。
- 状态里混入无关细节越多，准确率越低，所以发送前先过滤。
- 状态里的文本可能带偏答案。TypeSafe 说明，Jev 默认不会把状态当作恶意输入。
- Choice 选项的顺序可能让答案偏向排在前面的选项，可以调换顺序做核对。
- 它没有被训练去生成文字。
速率限制按组织设置，超限的请求返回 429。TypeSafe 表示 Jev 不会用客户的请求或响应训练，企业客户可以约定不保留请求数据（ZDR）。所有账户使用同一份权重：Jev 不会用客户数据微调，所以领域知识要放进状态和 criteria。
常见问题
Jev 是什么？
TypeSafe AI 的决策模型。你发送文本或 JSON 加上类型化的问题，它返回选项、分数或是/否概率以及置信度，而不是生成的文字。它于 2026年9月15日 以早期访问形式发布。
Jev 是 LLM 吗？
不是。TypeSafe 称它是基于 Transformer 的模型，像 LLM 一样读取自然语言，但只输出类型化答案和概率。它不写文章或代码，不做对话，也不调用工具。
Jev 多少钱？
每百万输入 token $0.042，即每十亿 $42，输出 token 免费。图像按输入 token 以同一价格计费。价格读取于 2026 年 10 月 23 日，模型页上是当前价格。
Jev 1.13 和 Jev 1.14 有什么区别？
Jev 1.14 增加了在图像中定位目标的 Box 问题类型，TypeSafe 预期它的多语言准确率更高。两个版本都在主动开启请求头后接受图像和 262K 长上下文模式，价格相同。
什么是决策模型？
一种从你定义的选项里挑选并给出每个选项概率的模型，不生成文字。TypeSafe 称之为 System One 模型。其他厂商现在也推出了自己的版本，本站 catalog 里 kind 为 decision 的条目有 31 个。
我能自己部署 Jev 吗？
不能。权重和架构均未公布，Jev 只能通过托管 API 使用。其他决策模型，例如 Cloudflare 的 Clef，提供开放权重。
Jev 会产生幻觉吗？
它的答案被限制在你提供的选项里，因此不会返回格式错误的值，也不会给出你没列出的选项。它仍然可能选错，而且 Artificial Analysis 发现决策模型在知识和推理题上过度自信。
来源
读取于 2026 年 10 月 23 日。价格为每百万 token 的美元价。
- TypeSafe docs: Models
- TypeSafe: Introducing System One Models and Jev
- TypeSafe docs: System One
- TypeSafe docs: Primitives
- TypeSafe docs: Confidence
- TypeSafe docs: Images
- TypeSafe docs: Jev 1.13 jaggedness
- TypeSafe docs: Jev with coding agents
- TypeSafe docs: Legal
- Artificial Analysis: Decision Index v1.0
- Arize: Decision model benchmark
- TechCrunch: A new kind of AI model from a ChatGPT inventor is thrilling developers
- TechCrunch: The maker of non-text AI model Jev valued at $7.5B
- TechCrunch: OpenAI makes its Jev competitor widely available
- MarkTechPost: TypeSafe AI releases Jev 1.14
- MarkTechPost: TypeSafe AI releases Jev
- OpenRouter: What is Jev
- Wikipedia: Jev (AI model)