什么是 Jev？

Jev 是 TypeSafe AI 的首个 System One 模型。它不像聊天机器人那样写文本，而是读取你程序的状态，返回一个类型化、已校准的决策——一个 choice、一个 score，或一个是/否概率——你的软件可以直接据此行动。

简短版

大语言模型是为了和人对话而造的。Jev 是为了被机器调用而造的。你给它一些上下文，以及你需要回答的确切问题，它用结构化的值而非散文回复你。因为答案的形状由你的请求固定，Jev 无法幻觉出一种格式，也无法产出非法类型——它只能返回你定义的某个选项、你给定的量表上的某个 score，或一个 0 到 1 之间的概率。

为什么叫 "System One"？

这个名字借自思维心理学。"System Two" 是缓慢、审慎、语言化的推理——那正是 LLM 写出答案时所模仿的。"System One" 是眨眼之间发生的快速、直觉式判断。Jev 就是为软件中的这一角色而设计的：那数以百万计、又小又快、根本不该动用一整段生成文本的决策——路由、打分、过滤、抽取、放行。

Jev 如何工作：RLCD

Jev 采用 TypeSafe 称之为 Reinforcement Learning for Calibrated Decisions（RLCD）的方法训练。目标不是流畅的写作——而是校准：当 Jev 说自己有 80% 把握时，它应当在大约 80% 的情况下是对的。每个答案都附带一个概率分布，于是你的代码可以决定某个分支需要多少确定性，并把其余的升级处理。

你可以问它什么

你发给 Jev 的每个问题都是三个原语之一：

• choice——从最多 255 个带标签的选项中选一个。
• score——把输入放到一个 2–10 级的有序量表上。
• noul——一个已校准的是/否，以 0 到 1 之间的概率返回。

你可以一次问好几个；Jev 在一次往返中并行评估它们。感受它最好的方式，是在 playground 里跑一个实时示例。

Jev vs. 大语言模型

• 输出：类型化的结构化值与概率，而非自由文本。
• 速度：70–500ms——在可比任务上大约比前沿 LLM 快 40–200×。
• 成本：每百万输入 token $0.042，输出免费（≈ $0.0004 每个决策）。
• 安全：从构造上就不会幻觉出格式，也不会有类型错误。
• 用途：被其他软件和 agent 调用，而非给最终用户阅读。

Jev 是谁做的？

Jev 来自 TypeSafe AI，由前 OpenAI 研究员 Diogo Almeida——ChatGPT 背后 RLHF 工作的共同发明者之一——与 Erik Gafni、Sasha Sheng 共同创立。该公司于 September 2026 走出隐身模式，由 DCVC 领投获得 $40M 种子轮融资。Almeida 的观点是：如果 AI 要改变工作的方式，人就不能是智能的唯一消费者——大部分智能应该悄然驻留在软件内部。

亲自试试 Jev

你无需加入 waitlist 就能看它做什么。打开免费的 playground，挑一个真实世界的演示——客服分诊、内容审核、线索评分、代码评审风险——看着 Jev 返回带已校准概率的类型化答案。当你准备好开工时，API 指南里有 curl、Python 和 TypeScript 的可复制粘贴示例。