深入解析 Jev：TypeSafe 的 System One 模型
输入“/”快速插入内容
深入解析 Jev：TypeSafe 的 System One 模型
深入解析 Jev：TypeSafe 的 System One 模型
用户6116用户61169月19日修改
Flavio Copes · 2026-09-18 05:00
📌 本文为转载，版权归原作者所有，全文以原文链接为准
了解 Jev 如何将文本转化为类型化选择、评分和概率，附带 JavaScript 示例、实用模式、局限性以及真实用例。
~~~
Jev 不是像 ChatGPT 那样的聊天机器人，也不是编程模型。它不撰写回复、解释或代码。
你向它发送一些数据和一组类型化的问题，它会针对每个问题返回一个答案：一个 “是 / 否” 的概率、从你定义的列表中选择的一个选项，或在你定义的量表上的一个位置。每个答案都附带概率。TypeSafe 表示大多数调用大约在 100 毫秒内完成。输入 token 每百万个花费 $0.042，输出 token 免费。
重要的区别在于 AI 所处的位置。使用 ChatGPT 或编程智能体时，AI 是主要的界面或执行者。Jev 是普通应用内部的一个小组件。你将它添加到代码需要一次判断的地方，而产品的其余部分保持普通代码。
它来自 TypeSafe AI，这是一家位于旧金山的实验室，于 2026 年 9 月 15 日走出隐身模式，获得 4000 万美元种子资金，Jev 是其首个公开模型。TypeSafe 称其为 System One 模型，这是一类新型模型，旨在软件内部做出快速决策，而非与人类聊天。
这篇文章是 Jev 是什么、为什么存在、如何调用它、你应该如何思考向它提出的问题、它在哪些方面会失败，以及我会如何将它用于自己项目的详细版本。
用一句话概括 Jev 是什么
最简单的描述方式：Jev 是一个聪明的 if 语句。
普通代码基于它可以计算的值进行分支判断。if (order.total > 100)。当条件可以由计算机检查时，这种方法有效。但当条件涉及判断时，它就失效了。这条支持消息是否带有愤怒情绪？这封邮件是否与账单相关？为了继续结账，我应该点击这 12 个按钮中的哪一个？
传统的分类器在你有训练数据和固定标签时已经能处理狭窄的判断。在由 LLM 驱动的应用中，常见的捷径是让通用模型输出结构化内容。Jev 提供了另一种选择：预先定义可能的答案，为每个答案接收概率，然后根据结果进行分支。
以下是一个基于假设的赞助商表单提交构建的请求。状态中包含相关的表单字段。这些问题是我想要了解的关于该数据的信息。
代码块
{
"model": "jev-latest",
"state": {
"opportunity": "link",
"name": "Managed Postgres",
"description": "We make a managed PostgreSQL hosting product and would like to sponsor the newsletter in October."
},
"questions": {
"is_sponsor_inquiry": {
"type": "noul",
"instructions": "Does `description` ask to sponsor the site or newsletter?"
},
"product_category": {
"type": "choice",
"instructions": "What kind of product is described by `name` and `description`?",
"criteria": {
"dev_tool": "Developer tools, hosting, APIs, SaaS for developers",
"course": "Courses, books, or training",
"unrelated": "Anything not aimed at developers"
}
},
"message_quality": {
"type": "score",
"instructions": "How specific is the request?",
"criteria": [
"Generic template, no reference to this site",
"Mentions the site but no concrete ask",
"Concrete ask with a timeframe or product named"
]
}
}
}
下面是返回结果的形状：
代码块
{
"model": "jev-1.13.0",
"answers": {
"is_sponsor_inquiry": { "type": "noul", "noul": 0.99 },
"product_category": {
"type": "choice",
"choice": "dev_tool",
"probabilities": { "dev_tool": 0.97, "course": 0.01, "unrelated": 0.02 },
"confidence": 0.95
},
"message_quality": {
"type": "score",
"score": 1.9,
"legend": {
"0": "Generic template, no reference to this site",
"1": "Mentions the site but no concrete ask",
"2": "Concrete ask with a timeframe or product named"
},
"probabilities": { "0": 0.0, "1": 0.1, "2": 0.9 },
"confidence": 0.86
}
},
"usage": { "input_tokens": 210, "output_tokens": 31 }
}