什麼是 Jev？TypeSafe AI 的 System One 模型解析

今年大多數 AI 新品都在競相提升對話智慧，TypeSafe AI 卻走了一條截然不同的路。2026 年 9 月 15 日，該公司推出了 Jev，其首款「System One 模型」——一種從不生成句子、而是直接回傳型別化、機率性決策供程式碼使用的 AI。如果你正在開發 Agent 或自動化系統，Jev 值得深入了解：它瞄準的是那些 LLM 處理起來既慢又昂貴的大量日常決策。以下說明它是什麼、如何運作、費用多少，以及哪些說法值得保持懷疑。

Jev 是什麼？一句話說清楚

Jev 是 TypeSafe AI 推出的前沿模型，接收程式狀態與一組型別化問題，在單次平行處理中一次回答所有問題——回傳的是帶有校準機率的結構化數值，而非生成文字。

該公司將其定位為一種全新的模型類別，而非更小的 LLM。TypeSafe 稱之為「System One」，借用了丹尼爾·康納曼（Daniel Kahneman）對快速直覺的系統一思維與緩慢深思的系統二推理的區分。其核心假設是：軟體內部的大多數決策都是快速判斷（「這屬於哪個類別？」、「這件事緊急嗎？」），而我們一直在為這些判斷租用完整的推理模型。

Jev 由 Diogo Almeida 打造，他曾參與 OpenAI 的 RLHF 與 InstructGPT 工作，奠定了 ChatGPT 的基礎。此次發布獲得 DCVC 領投的 4,000 萬美元融資。名稱致敬經濟學家威廉·斯坦利·傑文斯（William Stanley Jevons）——寓意決策成本越低，對決策的需求就越爆炸性增長。

Jev 與 LLM 的核心差異

核心差異在於輸出形式。LLM 逐個 token 生成字串，你再解析並驗證該字串，並祈禱它沒有幻覺或回傳錯誤格式。Jev 則預先定義所有可能的答案，並以型別化數值回傳，因此無需解析，且在設計上不存在型別錯誤。

有兩點特別值得關注。第一，平行採樣：Jev 同時評估一次請求中的所有問題，因此增加第十個問題幾乎不影響回應時間。第二，校準信心度：Jev 採用 TypeSafe 稱為「校準決策強化學習」（Reinforcement Learning for Calibrated Decisions，RLCD）的方法訓練，針對實際結果而非人類偏好來優化機率。整體而言，信心度越高應代表準確率越高——這正是你判斷何時自動執行、何時升級處理所需的依據。

它也像 LLM 一樣理解自然語言輸入，但目前僅接受純文字——字串、JSON 或文字陣列。尚不支援圖片、音訊或影片。

三種基本原語（Primitives）

整個 API 只有三種問題類型。這是設計選擇，而非限制：

• Choice（選擇） — 從一組選項中選一個（最多 255 個）。回傳所選選項、每個選項的機率及信心分數。可加入明確的 other 選項，讓模型表示「以上皆不符合」。
• Score（評分） — 在你以文字描述的 2 到 10 級量表上定位。回傳可落在級別之間的分數（例如 1.4）。
• Noul — 是/否問題，以 0 到 1 之間的單一機率回傳。

一次支援工單請求可能在單次呼叫中詢問：應由哪個團隊處理（Choice）、客戶的挫折程度（Score），以及客戶是否明確要求退款（Noul）。你的程式碼再用普通的 if 陳述式組合這些型別化答案。TypeSafe 的官方文件將 Jev 定位為「智慧 if 陳述式」——在手寫規則過於脆弱的地方進行分類、路由、評分、提取或分支。

Jev 擅長什麼，不擅長什麼

Jev 專為針對已知答案集的大量重複決策而生：工單分類、意圖路由、內容審核、資訊提取、評分，以及對其他模型輸出的護欄檢查。由於問題平行執行且輸出免費，你可以「扇形展開」，預先詢問所有問題，再由程式碼決定哪些結果重要。

對於任何需要生成文字的任務，Jev 並不適合：對話、程式碼生成或推理解釋。另有兩個限制值得特別說明：

• 無世界知識。 Jev 只了解你傳入的狀態；它無法自行查詢任何資訊。這一步驟決定了以它為核心的任何工作流程的上限。
• 校準是群體屬性。 TypeSafe 明確指出，校準性質適用於大量預測的整體——並不保證任何單一答案正確。Jev 仍然可能出錯。

定價與速度：細讀注意事項

TypeSafe 的標題數字相當亮眼：輸入費用為每百萬 token $0.042，輸出免費，延遲為 70–500 毫秒，首頁宣稱在其工作流程基準測試中比 LLM「快 193.6 倍、便宜 444.6 倍」。

請將這些數字視為廠商自述，而非獨立驗證結果。TypeSafe 本身也補充了有用的注意事項：評測是在其自家西岸筆電上執行的；無法證明定價未受補貼；且其工作流程雖未納入訓練集，但由其自家團隊建立。基準測試還以 GPT-6 Astra 與 Fable 5.1 的平均值作為「正確」參考，這本身就對這兩個模型存在偏差。涵蓋此次發布的實用指南，例如這篇 dev.to 操作說明，也重申了同樣的警告：速度與成本數據均為自行測試且未經第三方重現。唯一難以反駁的說法是 0% 型別錯誤——Schema 匹配有保證，因此只要出現一個反例即可推翻此說法。

Jev 在 Agent 迴圈中的定位

對於建構多 Agent 系統的團隊而言，有趣的模式是信心度閘控路由。不再為整個系統設定單一準確率門檻，而是根據出錯代價為每個動作設定門檻：對高信心度的低成本唯讀決策自動執行；對高成本決策請求確認；當信心度低時，路由給人工——或交給完整推理模型處理。

這使 Jev 成為 Agent 迴圈中的決策層，而非 LLM 的替代品。常見的架構是級聯式：Jev 以低成本分類和路由，確定性程式碼處理能處理的部分，前沿模型接手困難的少數案例。其價值在於減少昂貴的 LLM 呼叫次數，並在「機器決定」與「需要人工審視」之間建立清晰、可稽核的邊界。

總結

Jev 是一個真正不同的想法：一種形如函式呼叫而非聊天機器人的 AI 基本元件。如果它在廠商自有基準測試之外也能維持表現，System One 模型有望接管目前尷尬地塞在 LLM 提示詞中的數百萬個小判斷。目前它仍處於早期存取階段，僅支援文字，且所有效能數字均為自報——前景看好，但尚未獲得驗證。正確的做法是在一個範圍明確、量大的決策場景中試用，並與現有方案進行實測比較。

用你自己的 AI 工作團隊建構決策驅動的工作流程

Jev 是自動化技術棧中的一層——負責快速決策。其餘部分是協調編排：收集狀態、呼叫正確工具，並在真實應用程式中根據結果採取行動。這正是 Eigent 作為開源多 Agent「Cowork」桌面應用程式所做的事，透過端對端工作流程協調各 Agent，例如審查 GitHub PR 或分類待處理工作。想在本地端建構信心度閘控自動化？下載 Eigent，將你的決策接入一支能付諸行動的 AI 工作團隊。