TypeSafe Jev System One 决策模型
TypeSafe AI 于 2026 年 9 月 15 日发布，官方称 Jev 是首个公开的 System 1 决策模型——一类新型前沿模型，用直接返回校准概率与类型安全的结构化数值来替代生成文本；开发者用 choice、score、null 等原语以自然语言定义问题，即可在 70 至 500 毫秒内得到机器可读的概率输出，输入 token 定价为每十亿 42 美元（每百万 0.042 美元）、输出 token 免费，采用团队称为 RLCD（面向校准决策的强化学习）的方法训练，并以早期访问（waitlist）形式开放
工具概览
功能、使用步骤与常见问题见下方
功能特点
- ✓ 结构化决策而非文本生成：官方称 Jev 是首个公开的 System 1 模型，开发者用 choice、score、null 等原语以自然语言定义问题，模型返回类型安全的结构化数值而非字符串，可作为带概率的模糊判断直接嵌入普通软件逻辑
- ✓ 校准概率与置信度：官方称每次输出都附带校准后的概率与置信度分数，置信度越高准确率越高，且对相似输入返回相似答案；由于输出结构预先定义，模型不会出现类型错误，官方称其无法幻觉
- ✓ 更快更省：官方称端到端响应时间为 70 至 500 毫秒，输入 token 定价为每十亿 42 美元（每百万 0.042 美元）、输出 token 免费；在发布的工作流评测中，官方称相对参考模型可达约 193.6 倍更快、444.6 倍更便宜
- ✓ 并行采样与新训练方法：官方称 Jev 采用并行采样器一次查询即生成全部输出、效率极高且对硬件友好，并以 RLCD（面向校准决策的强化学习）训练，而非传统的 RLHF 或可验证奖励强化学习
- ✓ 适用场景与状态：官方称 Jev 适合智能工作流与智能 if 语句（分类、路由、打分、抽取或分支）、大数据 map-reduce、100 毫秒级实时应用与验证打分等场景；目前以早期访问形式开放，团队正尽快从 waitlist 放行开发者
使用步骤
- 在 TypeSafe 官网加入 waitlist 以获取早期访问资格
- 用自然语言定义问题，并以 choice、score、null 等原语描述可能的输出与结构
- 输入非结构化状态（如文本），获取带校准概率与置信度的类型安全结构化输出
- 将输出作为可组合的模糊决策规则嵌入代码，用于分类、路由、打分或验证，并按官方文档接入系统
常见问题
Jev 是什么？
TypeSafe AI 称 Jev 是首个公开的 System 1 决策模型，属于一类新型前沿模型，用直接返回校准概率与类型安全结构化数值来替代生成文本，开发者可在 70 至 500 毫秒内得到机器可读的概率输出。
它和普通大模型有什么不同？
官方称现有大模型优化的是人类偏好或可验证奖励，输出字符串；Jev 优化的是校准决策，输出类型安全的结构化数值并附带校准概率，采用并行而非逐 token 采样，且不会出现类型错误。
它的速度与成本如何？
官方称端到端响应时间为 70 至 500 毫秒，输入 token 每百万 0.042 美元、输出 token 免费；在发布的工作流评测中，官方称相对参考模型可达约 193.6 倍更快、444.6 倍更便宜。
它适合哪些场景？
官方称适用于智能工作流与智能 if 语句（分类、路由、打分、抽取或分支）、大数据 map-reduce、100 毫秒级实时应用，以及对大模型提示、推理轨迹或输出进行打分、评判、验证、护栏与越狱检测。
现在可以怎么用上它？
官方称 Jev 目前以早期访问形式开放，开发者可在官网加入 waitlist，团队正尽快放行；官方同时提供 System One LLM 适配器等开源工具与文档。