Jev

Jev是一款由TypeSafe AI于2026年9月推出的AI 结构化决策模型，也是该公司首个 System One 模型，主要用于让软件与智能体直接获得类型化的判断结果，支持 Choice、Score、Noul 三类问题与经过校准的概率输出，适用于工具路由、工单分诊、内容审核与自动化质检等方向。

Jev 的核心能力

Jev 的定位是把「机器可读的判断」从文本生成中独立出来：当一段代码需要的只是一个类别、一个分值或一个概率，而不是一段说明文字时，它可以直接给出类型化结果，省去生成与解析两道开销。

以类型化输出替代文本生成

大语言模型面向人类可读文本设计，软件消费其输出时往往要把生成的文本再解析成结构化数据。Jev 不生成自由文本，而是直接对输入状态打分并输出类型化结果，调用方拿到的是可直接使用的取值与概率分布，可据此分支、排序或路由，也不存在格式漂移与字段越界。在需要频繁做小幅判断的场景中，AI 智能体 的每一步执行都能借此省去一次完整的文本生成。

三种问题类型与校准概率

Jev 把判断拆成三类问题。Choice 在预设选项中选出一项并给出各自的概率，单项选项上限为 255；Score 依据评分标准对状态打出分值；Noul 则回答一个命题是否为真，返回 0 到 1 之间的概率。Choice 与 Score 同时返回置信度，调用方可据此决定直接采信、继续追问或转交人工。所有概率均经过校准，模型给出 0.9 把握时正确率应接近九成。

单次请求的并行评估

一次请求只提交一份状态，可附带多个相互独立的问题，模型对这些问题并行评估，而不是逐个生成答案。官方称增加问题几乎不改变响应时间，问题之间也不会相互干扰。代码因此可以把一个大判断拆解成若干原子问题，再在程序侧按自己的权重合并结果，既保持单项判断的可靠性，又避免把多个因素糅进同一次推理。这种拆分为原子问题、再用代码合并的思路，也是当前 AI 模型 面向工程化落地的一个方向。

面向校准决策的训练方法

Jev 不用客户数据做微调或 LoRA 适配，而是采用名为 RLCD（面向校准决策的强化学习）的方法训练，目标是让模型给出的概率与实际命中率吻合，而不是迎合人类对文字表达的偏好。相同权重服务所有账户，使用者通过请求中的状态、指令与判定标准把模型导向自己的领域。

统一接口与输入计费

Jev 通过统一的 HTTP 接口提供，模型字段用于选择具体版本，官方同时提供 Python 与 JavaScript 客户端，并在触发速率限制时按退避策略重试，便于直接接入现有服务。

Jev 与同类决策模型的对比

决策模型是 2026 年 9 月起快速成型的一类模型路线，Jev 之后相继有多款决策模型入场。下表从开发方、发布时间、架构特点、开源情况、输入模态、响应延迟、公开评测与获取方式八个维度进行对照。

上表数据分列署名：Jev 一列取自 TypeSafe AI 官方文档与公开评测，Cloudflare Clef 一列取自 Cloudflare 官方博客，AWS Strands Decider 2B 一列取自 AWS Strands Labs 的官方发布，StartLux-Decision 一列取自原点星辉的公开材料。各家评测口径与测试条件并不统一，横向比较应以各自官方公布的指标与版本为准。选型上，需要图像或网页内容参与判断的场景可关注具备视觉能力的方案；预算敏感、具备自部署条件的团队可评估开源权重方案；对延迟与成本同时敏感的高频路由任务，则更适合按输入计费、输出免费的托管接口。

如果想了解决策模型在上层智能体产品中的实际形态，可以参考 Manus（通用 AI 智能体代表产品，擅长自主拆解并执行多步任务，与 Jev 所处的智能体执行链路直接衔接）。

Manus

由中国团队Monica推出的全球首款通用AI Agent（自主智能体）产品

Jev 的应用场景与适用人群

Jev 面向需要频繁做出小幅、可枚举判断的自动化环节，常见场景包括：

• 工具路由：智能体在每一步从候选工具中选择下一个动作，由模型给出各选项的概率与置信度。
• 工单分诊：判断客户消息的紧急程度与归属团队，依据概率阈值直接分流或转交人工。
• 内容审核：对文本是否命中某类违规命题做是非判断，输出 0 到 1 的概率供阈值决策。
• 数据质检：对结构化记录按评分标准逐项打分，替代人工抽检中的重复判断。

适用人群：构建智能体与自动化流程的开发者、需要批量处理分类与路由任务的工程与运营团队，以及希望在低延迟、低成本前提下引入模型判断的数据团队。对判定边界模糊的场景，建议先用少量标注数据验证校准表现，再确定自动处理与人工复核的阈值。

Jev 的使用方法

从申请访问到接入生产，可按以下步骤开始：

1. 获取访问：通过 Jev 官网 申请早期访问，创建账户并获取 API Key。
2. 准备状态：把需要判断的材料整理为文本形式的 state，非文本输入先转为文本或结构化字段。
3. 定义问题：按需求选择 Choice、Score 或 Noul，在 instructions 与 criteria 中写明判定标准。
4. 发起调用：向 POST /v1/systemone 提交状态与问题，模型字段可填 jev-latest 或具体版本号。
5. 处理结果：依据返回的取值、概率与置信度在代码中分支，并按置信度阈值决定是否转交人工。
6. 接入平台：借助官方提供的 Python 或 JavaScript SDK 接入现有流程，也可参考 Coze 一类的智能体开发平台组织多步任务。

落地时建议先以只读方式验证判断质量，用一小批样本测算命中率与校准偏差，再逐步放开写操作与自动执行，并对高影响动作保留人工确认与回滚机制。

Jev 的价格方案

Jev 按输入 token 计费，输出 token 免费，官方定价为每百万输入 token 0.042 美元（约合每十亿输入 token 42 美元）。成本因此只与送入模型的状态规模相关，多问几个问题不会带来额外费用，适合把大量轻量判断集中在一次请求中。Jev 为闭源模型，不提供权重下载，只能通过官方托管接口调用；企业客户可与官方沟通更高的速率限制与定制方案。对高频调用场景，建议先用真实状态样本估算 token 规模，再确定单次请求承载的问题数量。

Jev 的常见问题