Jev

Jev 是 TypeSafe AI 在 2026 年 9 月 15 日以早期访问形式发布的第一款模型。它不是一个更小或更便宜的聊天模型。它放弃了逐 token 生成文本，只在调用方预先定义好的选项上输出概率。TypeSafe 把这类模型称为 System One Model，名字取自卡尼曼对快思考和慢思考的区分。创始人 Diogo Almeida 曾在 OpenAI 参与指令遵循方向的研究，这部分工作后来成为 ChatGPT 的基础。公司的判断是：聊天模型已经足够聪明，但字符串输出不适合直接嵌进软件流程。模型名 Jev 则来自杰文斯悖论，意思是智能的成本每降一个数量级，都会释放出更多的使用需求。来源：TypeSafe 发布文章。

放弃生成文本，换来并行打分和类型安全

按官方说明，Jev 用了新的模型架构和并行采样器，一次查询就给出所有候选项的概率，不需要自回归地一个字一个字往外写。训练方法叫 RLCD（Reinforcement Learning for Calibrated Decisions），目标不是让人类评审更喜欢它的回答，而是让它给出的概率和实际准确率对得上。因为输出空间事先由调用方定义，所以 Jev 不会返回格式错误的结果，也不会编造一个不在选项里的答案。单个问题最多支持 255 个选项；选项更多时，官方做法是先逐个打分，再做一次选择。

这种设计也解释了本页 API 价格表里输出价格为 0 的原因：Jev 只按输入收费，每百万 token 0.042 美元。这不是数据缺失。同理，页面上“文本→文本”“不支持思考模式”这些字段是按生成式模型的框架填的，并不能准确描述 Jev：它的输出不是文本，而是一组带概率的结构化值。模型权重和参数规模都没有公开。

官方“快两个数量级”的对比基准选得很有利

官方给出的端到端响应时间在 70 到 500 毫秒之间，并宣称相比前沿模型快 40 到 200 倍。主要证据是一套自建的 workflow 评测：让每个模型跑同一段业务流程代码，然后把 GPT-6 Astra 和 Fable 5.1 的平均判断当作参考答案，看其他模型和它们有多接近。这套方法测的是“像不像最强模型”，而不是对人工标注的正确率。对比对象也主要是高价前沿模型。TypeSafe 在原文中自己列出了这些局限：评测流程由内部团队编写，参考答案偏向 OpenAI 和 Anthropic 的模型，宣传中的 193.6 倍提速、444.6 倍降本属于真实场景收益的上限。

独立测试：延迟优势很稳，碰上廉价 Flash 模型时成本优势所剩不多

目前最完整的第三方数据来自 devx AI labs 在 9 月 20 日发布的测试，代码和原始输出都已开源。在 100 条工单、5 个队列的分流任务上，Jev 的准确率是 92%，在 19 组可用结果里排第 12；排第一的 DeepSeek v4.1 Flash（关闭推理）是 97%。由于样本只有 100 条，Jev 的 95% 置信区间是 85% 到 96%，和大部分对手重叠，所以准确率排名并不稳定。差距真正清楚的是速度：Jev 的中位延迟是 385 毫秒，是全场最快的。成本上 Jev 也最低，每千条 0.018 美元，但 DeepSeek v4.1 Flash 和关闭推理的 GLM 5.3 Flash 分别是 0.026 美元和 0.021 美元，差距远没有官方宣传的几百倍那么大。这组数据说明，Jev 的价格优势主要是相对前沿模型而言的；和同一价位的 Flash 模型相比，它主要赢在延迟上。

在检索重排任务上，Jev 的打分模式在 350 个问题上的 recall@5 是 0.349，比 BM25 基线高出约 9 个百分点，和排名第一的模型相差约 2 个百分点。它的中位延迟不到 1 秒，而其他领先模型普遍在 3 到 4 秒。不过，devx 也发现，如果把 100 段候选文本一次性塞进一个 Choice 请求，350 个问题里有 85 个直接被拒。改成分批提交之后，Noul 模式每个问题的调用次数从 100 次降到 2 次，延迟从约 6.8 秒降到 0.6 秒，质量没有明显下降。所以，Jev 能不能用好，很大程度上取决于调用方怎么拆分请求。

这里还有一处容易误读的数字。TypeSafe 文档写的是整次请求最多 64K token，但另有限制：输入内容加上最长的单个问题，最多 32K token。devx 的 Choice 测试里，最大的成功请求是 32,850 token；他们没有测出精确上限。这不能直接证明官方的 64K 数字有错，却说明只看“64K 上下文”就把大量候选项塞进一次请求，可能收到拒绝而不是答案。

confidence 分数和对抗输入是目前最大的风险

Jev 每次 Choice 或 Score 输出都带一个 confidence 分数，官方称它经过校准。但 devx 文章转述的另一项独立评估发现，86% 的答案 confidence 都是 1.00：在客服工单上校准良好，在逻辑题上几乎失效，而使用方从分数本身看不出自己属于哪种情况。同一项评估中，在工单里加一句冒充权威的话，200 条里有 147 条的判断被改变。devx 没有注明这项评估的原始出处，这两个数字目前只能作为转述看待。TypeSafe 的已知问题文档也承认，Jev 容易受对抗文本干扰，不擅长计数、算术和日期比较。这些问题意味着它目前不适合直接决定简历筛选或内容审核，也不宜只看 confidence 就自动执行。

适合谁用

当任务可以拆成一组边界清楚的选择题，并且延迟是硬约束时，Jev 的优势最明显，例如实时交互、每秒多次调用的流程判断，或者在大批量数据里先筛一遍再交给贵模型处理。如果任务对延迟不敏感，关闭推理的廉价 Flash 模型在上述工单测试中准确率略高、成本相近，而且还能处理开放式输出。目前公开测试都基于英文语料，中文效果还没有第三方数据。