Jev 刷屏硅谷：前 OpenAI 研究员打造的「哑巴 AI」，凭什么让 14 万开发者排队？

一句话看懂：Jev 是 TypeSafe AI 发布的首个 System One 模型——它不生成文本，只接收一段「程序状态 + 类型化问题」，然后在几十到几百毫秒内并行返回带校准概率的结构化决策。输入每百万 Token 只要 $0.042，输出 Token 永久免费。

目录

1. 背景：教 AI 说话的人，为什么让 AI 闭嘴

2026 年 9 月 15 日，前 OpenAI 研究员 Diogo Almeida 结束两年隐身，正式发布新模型 Jev，同时宣布其创办的初创公司 TypeSafe AI 浮出水面，种子轮融资 4000 万美元，由 DCVC 领投。

Almeida 的履历相当硬核：他是 2022 年 InstructGPT 论文（Ouyang et al.）的第四作者，是 RLHF 的共同发明人之一，深度参与了 OpenAI 早期 RLHF 与 GPT-4 相关工作——可以说，今天 ChatGPT 背后的核心方法有他一份。

而他这次的选择极具戏剧性：亲手教了 AI 小半辈子「好好说话」，转头就做了个「哑巴」模型。

Almeida 在 X（原推特）上写道：

After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI? 我花了两年时间秘密研究新的训练方法（RLCD）和一种新类型的前沿 AI 模型——今天正式发布：Jev。

• 20-200x faster（快 20-200 倍）
• 40-400x cheaper（便宜 40-400 倍，输出 Token 免费）

这条推文引爆全网：播放量 3700 万+，发布不到 36 小时就有 14 万开发者涌入内测，Vercel、Cloudflare、LangChain 等主流平台迅速集成，连 Google Gemma 官方账号都发了「DiffusionGemma as Jev」跟风蹭热度。

为什么叫 Jev？

名字来自经济学中的 杰文斯悖论（Jevons Paradox）：蒸汽机效率越高，烧掉的煤反而越多。Almeida 的野心很直白——当 AI 决策的成本趋近于零、速度快到离谱时，开发者对 AI 决策的需求不会减少，而会像大爆炸一样席卷所有代码。

为什么叫 System One？

来自诺贝尔奖得主丹尼尔·卡尼曼《思考，快与慢》：系统 1 是快速、直觉式的本能判断，系统 2 是缓慢、深度的逻辑推理。Almeida 认为现在的 LLM 都在沿着系统 2 走（慢速、长文本推理），而 Jev 反其道而行之，专攻系统 1——高速直觉式决策。

2. 核心设计：System One——只做判断，不写作文

Jev 的定位是官方博客里那句话：

Think of Jev as a frontier-intelligence function call: unstructured state in, typed probabilistic decisions out. （把 Jev 想成一个前沿智能函数调用：非结构化状态进，类型化概率决策出。）

2.1 三种原语（Primitives）

Jev 不生成任何自然语言，输出只有三种固定形状，官方文档称为「原语（Primitives）」：

有趣的小知识：Noul 这个词是「binary (boulean)」倒过来拼的，官方自己也在 FAQ 里承认。

每个答案都附带所有选项的概率分布 + 整体置信度。多个问题可以在一次请求里并行问同一个 state，官方表示「加问题几乎不增加响应时间」，因为问题是相互隔离的，不会出现长上下文导致的「context-rot（上下文腐烂）」。

2.2 为什么「零类型错误」是数学上保证的

因为 Jev 根本不解码文本 token，它只会给预先定义好的选项分配概率——你给它 A、B、C 三个选项，它物理上不可能输出一个 D。所以永远不会出现坏的 JSON、未转义的引号、非法的 key。

2.3 采样方式：并行 vs 逐 token

3. 训练方法：RLCD，第三条强化学习路线

Jev 的核心创新是新的训练方法：RLCD（Reinforcement Learning for Calibrated Decisions，校准决策强化学习）。TypeSafe 把它定位为继 RLHF、RLVR 之后的第三条强化学习路径。

#mermaid-svg-LWyDGEz2Ck3dlGgw{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-LWyDGEz2Ck3dlGgw .error-icon{fill:#552222;}#mermaid-svg-LWyDGEz2Ck3dlGgw .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-LWyDGEz2Ck3dlGgw .marker{fill:#333333;stroke:#333333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .marker.cross{stroke:#333333;}#mermaid-svg-LWyDGEz2Ck3dlGgw svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-LWyDGEz2Ck3dlGgw p{margin:0;}#mermaid-svg-LWyDGEz2Ck3dlGgw .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .cluster-label text{fill:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .cluster-label span{color:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .cluster-label span p{background-color:transparent;}#mermaid-svg-LWyDGEz2Ck3dlGgw .label text,#mermaid-svg-LWyDGEz2Ck3dlGgw span{fill:#333;color:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .node rect,#mermaid-svg-LWyDGEz2Ck3dlGgw .node circle,#mermaid-svg-LWyDGEz2Ck3dlGgw .node ellipse,#mermaid-svg-LWyDGEz2Ck3dlGgw .node polygon,#mermaid-svg-LWyDGEz2Ck3dlGgw .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .rough-node .label text,#mermaid-svg-LWyDGEz2Ck3dlGgw .node .label text,#mermaid-svg-LWyDGEz2Ck3dlGgw .image-shape .label,#mermaid-svg-LWyDGEz2Ck3dlGgw .icon-shape .label{text-anchor:middle;}#mermaid-svg-LWyDGEz2Ck3dlGgw .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .rough-node .label,#mermaid-svg-LWyDGEz2Ck3dlGgw .node .label,#mermaid-svg-LWyDGEz2Ck3dlGgw .image-shape .label,#mermaid-svg-LWyDGEz2Ck3dlGgw .icon-shape .label{text-align:center;}#mermaid-svg-LWyDGEz2Ck3dlGgw .node.clickable{cursor:pointer;}#mermaid-svg-LWyDGEz2Ck3dlGgw .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .arrowheadPath{fill:#333333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-LWyDGEz2Ck3dlGgw .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-LWyDGEz2Ck3dlGgw .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-LWyDGEz2Ck3dlGgw .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-LWyDGEz2Ck3dlGgw .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .cluster text{fill:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw .cluster span{color:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-LWyDGEz2Ck3dlGgw .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-LWyDGEz2Ck3dlGgw rect.text{fill:none;stroke-width:0;}#mermaid-svg-LWyDGEz2Ck3dlGgw .icon-shape,#mermaid-svg-LWyDGEz2Ck3dlGgw .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-LWyDGEz2Ck3dlGgw .icon-shape p,#mermaid-svg-LWyDGEz2Ck3dlGgw .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-LWyDGEz2Ck3dlGgw .icon-shape .label rect,#mermaid-svg-LWyDGEz2Ck3dlGgw .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-LWyDGEz2Ck3dlGgw .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-LWyDGEz2Ck3dlGgw .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-LWyDGEz2Ck3dlGgw :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

基础语言模型Pre-Trained Models

post-training

延伸

另一条路

第三条路

GPT / BERTsLow Intelligence

GPT-3 / LLaMaHigh Intelligence

RLHFChat Models聊天模型

RLVRReasoning Models推理模型 (o1/o3)

InstructGPT / Grok / DeepSeek

RLCDSystem One Models校准决策模型 (Jev)

三条路线对比

校准（Calibration）是什么意思？

用 TypeSafe 原话：模型说 0.9，就必须有大约 90% 的时候是正确的。

• 被模型标为 0.2 概率的结果，真实发生的比例应约等于 20%
• 被模型标为 0.8 概率的结果，真实发生的比例应约等于 80%

这就是「诚实的概率（epistemically honest probabilities）」。没有校准的置信度数字没有参考价值——而 RLHF 恰恰会奖励过度自信和听起来自信的幻觉。

注意：截至 2026 年 9 月，TypeSafe 没有发表 RLCD 的技术论文（arXiv 上搜不到），方法细节不可外部验证。目前关于 RLCD 的描述全部来自官方博客、文档和 AI primer。这一条在圈内有不少讨论，详见第 8 节。

4. 性能与成本：20-200 倍快，40-400 倍便宜

4.1 官方核心数据

4.2 官网「当面打脸」演示

TypeSafe 官网放了一个并排对比 demo：同样 27 个问题、同样的输入，同时发起请求：

官网自己也承认这个 demo 做了有利于自己的选择：输入是短而紧凑的段落，27 个问题也被简化过。但「并行输出全部答案」与「逐 token 等待」的差距是实打实存在的。

4.3 独立第三方评测：半美分跑完 24 份挪威语意见信

开发者 Emil Lindfors（9 月 18 日）用自己的早期访问密钥做了独立测试：把 24 份挪威语公共听证意见书（鲑鱼资源税，语言杂乱、含 PDF 提取的归档码）发给 Jev 1.13，与 DeepSeek V4.1 Flash（OpenRouter，reasoning 开/关）对比：

关键结论（注意：参考标签由 Claude Fable 5.1 标注，只测一致性不测绝对正确性）：

4.4 校准能力对比（这是最值钱的部分）

RLCD 要买的就是「概率可信」。Lindfors 用 192 个是非论据判断做了个粗略校准检查：

方向完全正确，只是两端略保守。而 DeepSeek 开推理时，声称 0.7-0.9 的答案里参考标签只有 48% 同意——这就是「会说话的自信」和「校准过的自信」的区别。

在实战中的用法：Jev 说 0.9 以上时基本可以放心自动执行（Stance 15 个里对 14 个，Respondent 20/20），低于 0.9 的丢给人或更慢的推理模型复核。这就是官方推荐的 confidence-gated routing（置信度门控路由）。

5. Jev vs 其他模型：一次正面 PK

5.1 官方对比：LLM vs System One

这是 TypeSafe 官方博客的框架（注意：官方口径，立场偏自家）：

5.2 与当下主流模型对比总表

核心判断：Jev 不是来替代 LLM 的，它是给软件当「判断单元」的。官方原话：Jev 和现有大模型的关系是「双核搭档」——LLM 在前面吭哧吭哧生成内容，Jev 在旁边花几十毫秒给产物打分、把关、路由。

独立评测里 Jev 的 stance（立场判断）与 DeepSeek 打平（20/24），但成本和延迟低一个数量级以上；有序评级（Score）则明显领先。而在需要自由生成、长文本推理、图像理解的场景，Jev 完全不在讨论范围内。

6. 典型应用案例

6.1 客服工单自动路由（最典型的入门场景）

把一封「炸毛的客诉邮件」丢给 Jev，一次请求并行问：

• 该转哪个部门？（Choice：billing / technical / sales / other）
• 用户是不是在要退款？（Noul）
• 情绪激烈程度？（Score：1-5）
• 需要人工介入吗？（Noul）

软件拿到结果直接执行：if 退款概率 > 0.9 and 情绪评分 > 4 → 转人工加急。全程不需要任何人去读那封邮件。

6.2 安全事件响应（官方演示过的完整流程）

量子位报道中展示了 TypeSafe 官方演示的安全告警自动处理流水线：

#mermaid-svg-mU7scdbS6oo62oxm{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-mU7scdbS6oo62oxm .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-mU7scdbS6oo62oxm .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-mU7scdbS6oo62oxm .error-icon{fill:#552222;}#mermaid-svg-mU7scdbS6oo62oxm .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-mU7scdbS6oo62oxm .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-mU7scdbS6oo62oxm .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-mU7scdbS6oo62oxm .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-mU7scdbS6oo62oxm .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-mU7scdbS6oo62oxm .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-mU7scdbS6oo62oxm .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-mU7scdbS6oo62oxm .marker{fill:#333333;stroke:#333333;}#mermaid-svg-mU7scdbS6oo62oxm .marker.cross{stroke:#333333;}#mermaid-svg-mU7scdbS6oo62oxm svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-mU7scdbS6oo62oxm p{margin:0;}#mermaid-svg-mU7scdbS6oo62oxm .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-mU7scdbS6oo62oxm .cluster-label text{fill:#333;}#mermaid-svg-mU7scdbS6oo62oxm .cluster-label span{color:#333;}#mermaid-svg-mU7scdbS6oo62oxm .cluster-label span p{background-color:transparent;}#mermaid-svg-mU7scdbS6oo62oxm .label text,#mermaid-svg-mU7scdbS6oo62oxm span{fill:#333;color:#333;}#mermaid-svg-mU7scdbS6oo62oxm .node rect,#mermaid-svg-mU7scdbS6oo62oxm .node circle,#mermaid-svg-mU7scdbS6oo62oxm .node ellipse,#mermaid-svg-mU7scdbS6oo62oxm .node polygon,#mermaid-svg-mU7scdbS6oo62oxm .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-mU7scdbS6oo62oxm .rough-node .label text,#mermaid-svg-mU7scdbS6oo62oxm .node .label text,#mermaid-svg-mU7scdbS6oo62oxm .image-shape .label,#mermaid-svg-mU7scdbS6oo62oxm .icon-shape .label{text-anchor:middle;}#mermaid-svg-mU7scdbS6oo62oxm .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-mU7scdbS6oo62oxm .rough-node .label,#mermaid-svg-mU7scdbS6oo62oxm .node .label,#mermaid-svg-mU7scdbS6oo62oxm .image-shape .label,#mermaid-svg-mU7scdbS6oo62oxm .icon-shape .label{text-align:center;}#mermaid-svg-mU7scdbS6oo62oxm .node.clickable{cursor:pointer;}#mermaid-svg-mU7scdbS6oo62oxm .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-mU7scdbS6oo62oxm .arrowheadPath{fill:#333333;}#mermaid-svg-mU7scdbS6oo62oxm .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-mU7scdbS6oo62oxm .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-mU7scdbS6oo62oxm .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mU7scdbS6oo62oxm .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-mU7scdbS6oo62oxm .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mU7scdbS6oo62oxm .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-mU7scdbS6oo62oxm .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-mU7scdbS6oo62oxm .cluster text{fill:#333;}#mermaid-svg-mU7scdbS6oo62oxm .cluster span{color:#333;}#mermaid-svg-mU7scdbS6oo62oxm div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-mU7scdbS6oo62oxm .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-mU7scdbS6oo62oxm rect.text{fill:none;stroke-width:0;}#mermaid-svg-mU7scdbS6oo62oxm .icon-shape,#mermaid-svg-mU7scdbS6oo62oxm .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-mU7scdbS6oo62oxm .icon-shape p,#mermaid-svg-mU7scdbS6oo62oxm .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-mU7scdbS6oo62oxm .icon-shape .label rect,#mermaid-svg-mU7scdbS6oo62oxm .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-mU7scdbS6oo62oxm .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-mU7scdbS6oo62oxm .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-mU7scdbS6oo62oxm :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

1 Triage 分诊3 个读数：是否未授权？是否有记录解释？证据多强？

2 Disposition 处置代码把读数转成close / quiesce / act

3 Containment 遏制对事件状态跑 11 个读数：凭证、会话、邮件、持久化、进程、流量、横向移动

4 Playbook 行动手册按严重级别分组执行动作：严重→隔离资产+撤销凭证高→轻遏制+杀进程中→监控+限权低→静默+记录

不符合任何分组→ 紧急升级人工

每个步骤都是 Jev 输出概率 → 代码根据阈值决策，无人值守。

6.3 实时游戏决策：AI 打《毁灭战士》

TypeSafe 放出的演示：让 Jev 实时玩《毁灭战士》，每秒做 10 次决策，一小时算力成本仅约 7 美元。还有维基百科超链寻路——从几千个链接里每次挑选最可能通向目标页的链接（Choice 上限 255 个选项正好用上）。

6.4 代码审查（PR 评审）

36氪报道的开发者用例：用 Jev 审 PR，一次 7 万分之一美元，审 1000 个 PR 才花 7 美分；同样的活交给 Claude Opus 5 要烧掉约 14.5 美元。

6.5 LLM 输出验证 / Guardrail（官方主推场景）

Jev 的「双核搭档」玩法：LLM 生成内容 → Jev 打分（是否合规、是否越狱、是否幻觉、是否应放行）→ 分数高放行，分数低打回重写。TypeSafe 官方 SEC 文件 cookbook 报告：置信度 ≥0.9 时 30 个里对 27 个。

6.6 Map-Reduce 大数据处理

官方推荐的场景之一：对 PB 级数据逐条跑结构化问题，把每条记录变成特征/标签/判断，再做聚合。单条 70-500ms、单次半美分级成本，让这种「把智能铺满每一行数据」成为可能。

7. 实战：API 调用示例

说明：Jev 目前是 early access（早期访问），需在 typesafe.ai 官网登记 waitlist。以下示例根据官方文档、Cloudflare 集成文档和社区教程整理，接口字段以官方最新 SDK 为准。

7.1 安装与初始化

# Python SDK
pip install typesafe-sdk

# 或 npm
npm install typesafe-sdk

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

# 自动读取环境变量 TYPESAFE_API_KEY
client = TypeSafeClient(model="jev-latest")

7.2 一个请求问三种问题（Noul + Choice + Score 混合）

以客服工单为例——一次调用，并行返回多个决策：

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

ticket = (
"I was charged twice for order A-104. I've asked three times now. "
"Please refund the duplicate charge or I'm switching to a competitor."
)

with TypeSafeClient() as client:
result = client.system_one(
state=ticket,
questions={
# Choice：该转哪个部门？
"department": Choice(
instructions="Which team should handle this support request?",
criteria={
"billing": "Charges, invoices, refunds, or subscriptions",
"technical": "Product bugs, outages, or integrations",
"account": "Login, password, profile, or security issues",
"other": "Requests that do not fit the other departments",
},
),
# Noul：用户是不是在要求退款？
"refund_requested": Noul(
instructions="Is the customer asking for a refund or money back?"
),
# Noul：是否情绪激烈/有流失风险？
"churn_risk": Noul(
instructions="Is the customer threatening to leave or escalate?"
),
# Score：紧急程度 0-5
"urgency": Score(
instructions="Rate the urgency of this request.",
legend={
"0": "No time pressure",
"3": "Needs attention today",
"5": "Immediate action required",
},
),
},
)

print(result.choices["department"].choice) # billing
print(result.nouls["refund_requested"].noul) # 0.98
print(result.nouls["churn_risk"].noul) # 0.93
print(result.scores["urgency"].score) # 3.8

7.3 JavaScript / TypeScript

import { TypeSafeClient } from "typesafe-sdk";

const client = new TypeSafeClient({ model: "jev-latest" });

const result = await client.system_one({
state: "My running shoes arrived in the wrong size. Can I swap them for a size 10?",
questions: {
department: {
type: "choice",
instructions: "Which team should handle this?",
criteria: {
returns: "Exchanges, refunds, wrong or damaged items",
shipping: "Delivery status, delays, lost packages",
billing: "Charges, invoices, payment problems",
},
},
refund: {
type: "noul",
instructions: "Is the customer asking for a refund?",
},
},
});

console.log(result.answers.refund); // { type: 'noul', noul: 0.98 }

7.4 原生 HTTP 调用（不依赖 SDK）

curl https://api.typesafe.ai/v1/systemone \\
-H "Authorization: Bearer $TYPESAFE_API_KEY" \\
-H "Content-Type: application/json" \\
-d '{
"model": "jev-latest",
"state": "My card was charged twice for the same subscription. Please fix this.",
"questions": {
"refund": {
"type": "noul",
"instructions": "Is the customer asking for money back?"
},
"department": {
"type": "choice",
"instructions": "Which team should handle this support request?",
"criteria": {
"billing": "Charges, invoices, refunds, or subscriptions",
"technical": "Product bugs, outages, or integrations",
"other": "Anything else"
}
}
}
}'

典型响应（社区实测截图整理）：

{
"model": "jev-1.13.0",
"answers": {
"department": {
"type": "choice",
"choice": "billing",
"confidence": 1.0,
"probabilities": {
"billing": 0.98,
"technical": 0.01,
"other": 0.01
}
},
"refund": {
"type": "noul",
"noul": 0.99
}
},
"usage": {
"input_tokens": 292,
"output_tokens": 25
},
"evaluation_time_ms": 123
}

7.5 置信度门控模式（官方推荐架构）

这是 Jev 官方文档主推的用法——用置信度分三档路由：

#mermaid-svg-uZBn1caycsoJcfGC{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-uZBn1caycsoJcfGC .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-uZBn1caycsoJcfGC .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-uZBn1caycsoJcfGC .error-icon{fill:#552222;}#mermaid-svg-uZBn1caycsoJcfGC .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-uZBn1caycsoJcfGC .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-uZBn1caycsoJcfGC .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-uZBn1caycsoJcfGC .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-uZBn1caycsoJcfGC .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-uZBn1caycsoJcfGC .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-uZBn1caycsoJcfGC .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-uZBn1caycsoJcfGC .marker{fill:#333333;stroke:#333333;}#mermaid-svg-uZBn1caycsoJcfGC .marker.cross{stroke:#333333;}#mermaid-svg-uZBn1caycsoJcfGC svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-uZBn1caycsoJcfGC p{margin:0;}#mermaid-svg-uZBn1caycsoJcfGC .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-uZBn1caycsoJcfGC .cluster-label text{fill:#333;}#mermaid-svg-uZBn1caycsoJcfGC .cluster-label span{color:#333;}#mermaid-svg-uZBn1caycsoJcfGC .cluster-label span p{background-color:transparent;}#mermaid-svg-uZBn1caycsoJcfGC .label text,#mermaid-svg-uZBn1caycsoJcfGC span{fill:#333;color:#333;}#mermaid-svg-uZBn1caycsoJcfGC .node rect,#mermaid-svg-uZBn1caycsoJcfGC .node circle,#mermaid-svg-uZBn1caycsoJcfGC .node ellipse,#mermaid-svg-uZBn1caycsoJcfGC .node polygon,#mermaid-svg-uZBn1caycsoJcfGC .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-uZBn1caycsoJcfGC .rough-node .label text,#mermaid-svg-uZBn1caycsoJcfGC .node .label text,#mermaid-svg-uZBn1caycsoJcfGC .image-shape .label,#mermaid-svg-uZBn1caycsoJcfGC .icon-shape .label{text-anchor:middle;}#mermaid-svg-uZBn1caycsoJcfGC .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-uZBn1caycsoJcfGC .rough-node .label,#mermaid-svg-uZBn1caycsoJcfGC .node .label,#mermaid-svg-uZBn1caycsoJcfGC .image-shape .label,#mermaid-svg-uZBn1caycsoJcfGC .icon-shape .label{text-align:center;}#mermaid-svg-uZBn1caycsoJcfGC .node.clickable{cursor:pointer;}#mermaid-svg-uZBn1caycsoJcfGC .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-uZBn1caycsoJcfGC .arrowheadPath{fill:#333333;}#mermaid-svg-uZBn1caycsoJcfGC .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-uZBn1caycsoJcfGC .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-uZBn1caycsoJcfGC .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-uZBn1caycsoJcfGC .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-uZBn1caycsoJcfGC .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-uZBn1caycsoJcfGC .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-uZBn1caycsoJcfGC .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-uZBn1caycsoJcfGC .cluster text{fill:#333;}#mermaid-svg-uZBn1caycsoJcfGC .cluster span{color:#333;}#mermaid-svg-uZBn1caycsoJcfGC div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-uZBn1caycsoJcfGC .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-uZBn1caycsoJcfGC rect.text{fill:none;stroke-width:0;}#mermaid-svg-uZBn1caycsoJcfGC .icon-shape,#mermaid-svg-uZBn1caycsoJcfGC .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-uZBn1caycsoJcfGC .icon-shape p,#mermaid-svg-uZBn1caycsoJcfGC .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-uZBn1caycsoJcfGC .icon-shape .label rect,#mermaid-svg-uZBn1caycsoJcfGC .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-uZBn1caycsoJcfGC .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-uZBn1caycsoJcfGC .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-uZBn1caycsoJcfGC :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

高（> 0.9）

中（0.7 – 0.9）

低（< 0.7）

Jev 输出决策 + 概率

置信度?

自动执行无人值守

确认制通知用户确认后执行

升级转人工 / 转慢速推理模型

THRESHOLD_AUTO = 0.9
THRESHOLD_CONFIRM = 0.7

def route(action_decision, destructive=False):
# 破坏性操作提高门槛
auto_t = THRESHOLD_AUTO if not destructive else 0.97
if action_decision.confidence >= auto_t:
return "AUTO_EXECUTE"
if action_decision.confidence >= THRESHOLD_CONFIRM:
return "ASK_CONFIRM"
return "ESCALATE_HUMAN"

设计要点：

• 破坏性操作（删库、退款、封号）比只读操作（分类、打标）设置更高的自动执行门槛
• 除了官方返回的 confidence，你也可以自己从原始概率分布算（分布集中在单一选项 = 高置信）
• 多个独立判断拆成多个 question 并行问，比让模型一次性写长分析可靠得多

8. 局限与争议：不要把「零幻觉」神话

Jev 火得越快，质疑声也越多。客观列一下目前已知的短板和争议：

独立评测者 Lindfors 还发现一个反直觉现象：措辞越小心，校准反而变差（ECE 从 0.040 变到 0.116）。问题描述里加「passing mention / quotation」这类限定词，会让模型的概率系统没那么直白。写问题也是一门手艺。

9. 总结：Jevons 悖论与自动化大爆发

Jev 值不值得关注？我认为值得，但要用正确姿势：

Almeida 赌的是杰文斯悖论的 AI 版：当一次智能判断便宜到 0.04 美分、快到几十毫秒，代码里会生长出成千上万个微小的「智能突触」，一张超越人类想象的自动化网络就此形成。

这个赌注对不对，一年后见分晓。但对开发者来说，至少现在又多了一个快、便宜、且会老实告诉你「我没把握」 的新选择。

参考资料

• TypeSafe AI 官方博客：《Introducing System One Models & Jev》 — https://typesafe.ai/blog/introducing-system-one-models-and-jev
• AI Wiki：Jev (AI model) — https://aiwiki.ai/wiki/jev
• Emil Lindfors 独立评测：《An early-access test of TypeSafe’s Jev: calibrated judgments for half a cent》 — https://lindfors.no/pdf/a-first-look-at-typesafes-jev.pdf
• 量子位：《输出 token 永久免费！Jev 爆火后，开源版也跟着火了》 — http://m.toutiao.com/group/7687524383673303579/
• 36氪/新智元：《Jev 爆火硅谷，哑巴 AI 卷疯 14 万开发者》 — https://36kr.com/p/3991213552368393
• 36氪：《刷屏了，前 OpenAI 研究员做的 Jev，大家为啥抢着用？》 — https://36kr.com/p/3991165197188099
• 腾讯新闻：《ChatGPT 早期研究者做了一个「不会说话」的 AI，Jev 真是新范式吗?》 — http://news.qq.com/rain/a/20260918A058BW00
• MIT 科技评论：《AI 不一定要「聊天」，前 OpenAI 研究员研发只做决策的模型》 — https://mittrchina.com/news/detail/16964
• 科学网：《「System one」模型引爆 AI 圈：不生成文本，专为机器做快速决策》 — https://news.sciencenet.cn/htmlnews/2026/9/571794.shtm
• OSCHINA：《前 OpenAI 研究员发布 Jev 模型》 — https://www.oschina.net/news/502609/typesafe-ai-system-one-models-and-jev
• DEV Community：《How to Use Jev: A practical guide》 — https://dev.to/valyuai/how-to-use-jev-a-practical-guide-to-typesafes-system-one-model-g5e
• NoloWiz：《Jev vs LLMs: A Practical Introduction》 — https://nolowiz.com/jev-vs-llms-a-practical-introduction-to-typesafe-ais-system-one-model/
• Cloudflare AI Docs：Jev (typesafe) — https://developers.cloudflare.com/ai/models/typesafe/jev/
• LessWrong：《A non-generative model as a trusted monitor for AI Control》 — https://www.lesswrong.com/posts/d7pQicW8EhpPBDRqz/a-non-generative-model-as-a-trusted-monitor-for-ai-control

免责声明：文中性能、成本、准确率等数据除特别标注外均来自 TypeSafe 官方或第三方早期访问评测，截至 2026 年 9 月 20 日尚未有大规模独立复现；模型尚处早期访问阶段，数字可能随时变化。