人工生成Jev：不是聊天机器人。决策模型。
状态进，类型化概率出。LLM调用循环里昂贵的部分没了。
Jev不是又一个聊天人工智能。 它是一种新的模型类别，不写句子。它不提供文本，而是提供类型化决策：一个类别、一个分数、一个是/否概率，外加一个置信度数，你的代码可以立即对其做出反应。启动：2026年9月15日。公司：TypeSafe AI。种子轮：4000万美元，领投DCVC。这个名字向经济学家William Stanley Jevons致敬：如果某样东西变得极其便宜，人们就会消耗更多。
不是聊天机器人。中间没有解析器。类型化决策。
你发送State和Questions。Jev在一次并行传递中用结构化值回答，而不是散文。
State是一个字符串、一个JSON对象或一个文本数组：支持工单、电子邮件、客户档案、游戏快照。Questions是关于这个State的一个或多个类型化问题。Jev在一次运行中回答所有问题。
TypeSafe AI位于旧金山，由Diogo Almeida（CEO）、Erik Gafni和Sasha Sheng于2024年创立。Almeida在OpenAI工作了大约四年，参与了RLHF、InstructGPT、ChatGPT和GPT-4，然后他构建了计算机无需中间解析器就能消化的东西。2026年9月15日发布了jev-1.13.0（jev-latest）。此外还有4000万美元种子轮，领投DCVC。
TypeSafe称之为 System-One-Modell，根据Daniel Kahneman的快速、直觉的系统1。聊天模型更接近系统2：缓慢、言语、权衡。Jev是为软件每秒都会做出的上千个小判断而构建的：路由工单、标记消息、评分线索。
Choice、Score、Noul。模式固定。没有第四类。
从列表中选一个选项
最多255个选项。返回：赢家、每个选项的概率、置信度。
对照你的量规评分
对照你定义的有序量表给出状态。不是自由流水文本评分。
Bernoulli / 是-否
TypeSafe 对是/否问题的名称。概率介于 0 和 1 之间，表示该陈述为真的可能性。
因为输出模式事先固定，Jev 无法发明第四个类别，也不能把答案包进一段文字。通常 LLM 意义上的幻觉在结构上被排除在外。不确定性藏在一个数字里。
$0,042 每百万输入 Tokens。输出免费。通常不到半秒。
$42 / 1B
输出 Tokens
规格中的速率限制：每秒 250.000 Tokens，每分钟 1.200 请求。输入仅限文本。在 TypeSafe 自己的工作流评测中，Jev 以 67,8% 准确率与 Claude Sonnet 5 持平，每个案例 $0,0004 对比 $0,1174，0,4 秒对比 78 秒。这些是供应商数字，处于你在实际环境中应预期的上限。
独立早期测试者没那么夸张，但方向一致。一位 Vercel-Engineer 替换了 OpenAI 分类器，看到快了 5-18×。一位 Bryo-AI-CTO 发现 Gemini 在邮件分类上稍准一些，但 Jev 便宜 10-20×，而且真实的概率分数对自动化更有用。发布后需求高到 TypeSafe 一度无法提供 API 服务。
仅合成数据。RLCD 而非 RLHF。
Almeida 说：Jev 仅在合成数据上训练，用一种叫 Reinforcement Learning for Calibrated Decisions (RLCD)。目标不是“写人们喜欢的文本”(RLHF)。目标是：分配概率，使其符合该决策真正正确的频率。他认为合成数据的赌注比 RLHF 本身更好。
架构：基于 Transformer。权重和论文：未公开。外界猜测底层是带有不同采样器和不同训练目标的 Open-Weight-LLM。未经证实。
AI-native if。不是 Claude Code。不是 Cursor。
经典代码：标记每笔超过 $10.000 的转账。Jev：读取全部上下文，在几百毫秒内给出 „suspicious, 0.91“。
适合的场景： 工单和邮件路由。安全和策略分类。线索评分和优先级。模型路由（便宜的第一遍，仅在低置信度时用昂贵的 LLM）。游戏、智能体和工具中的实时循环。每一个以前要花一次完整聊天补全的 „AI-native if“。
不适合的场景： 写邮件、代码或解释。开放聊天。图片、音频、视频（目前仅文本）。Claude Code、Cursor 或 Copilot 的即插即用替代。它们仍需要生成式模型。Jev 作为决策层坐在下面。
工程师 Paarangat Rai 有最干净的简短说法：Jev 是一个 AI-native if。
四年优化人类语言。自动化仍然昂贵且脆弱。
生成文本，解析 JSON，模式坏了就重试，希望模型不编造字段。那就是技术栈。
Jev 翻转了接口。非结构化状态进去，类型化的概率决策出来。LLM 调用中昂贵的部分，逐个 Token 采样，消失了。输出是免费的，因为几乎没有输出。
这并没有让 Jev „比 GPT 更聪明“。它让另一种形式的智能便宜到足以用于软件的内循环。Almeida 的卖点不是 AGI。它是可组合的、机器原生的智能，其他程序可以堆叠它。
供应商评估。校准是群体属性。英语最强。
- 准确率声明仍主要依赖供应商评估。第三方检查在成本和延迟上令人鼓舞，在原始准确率上好坏参半。
- 校准是群体属性。0,87 不能保证单个案例。
- 低置信度回答仍需要人或更大的模型。Jev 把幻觉问题推成一个你必须设阈值的数字。
- 英语最强。其他语言也能跑，准确率较低。
- 专有且托管。没有本地权重。
发布一周后，Jev 与其说是研究好奇心，不如说是新的原语。聊天模型会继续写。决策模型开始做决定，价格和延迟相当于一次函数调用。
| 主张 | 篮子 | 来源 |
|---|---|---|
| jev-1.13.0 / jev-latest 于 2026 年 9 月 15 日发布 | 事实, Vendor | TypeSafe AI 发布材料，笔记时的状态 |
| TypeSafe AI：Diogo Almeida (CEO), Erik Gafni, Sasha Sheng；SF；2024 年成立 | 事实, Vendor | 公司与发布信息 |
| $40M Seed, Lead DCVC | 事实, Vendor | TypeSafe Seed公告 |
| Input $0,042 / 1M Tokens, Output 免费, Latency 70-500 ms, Context 64k | 事实, Spec | 官方 Specs jev-1.13.0 |
| Rate limit 250k Tokens/s, 1.200 RPM | 事实, Spec | 官方 Specs |
| 67,8 % Accuracy 与 Claude Sonnet 5 持平; $0,0004 vs $0,1174; 0,4 s vs 78 s | Vendor-Eval | TypeSafe Workflow-Evals, 自行报告 |
| Peak 193,6× 更快, 444,6× 更便宜 | Vendor-Peak | TypeSafe, 预期上限 |
| Vercel: 5-18× 更快 vs OpenAI-Classifier | Early Tester | 独立报告, Early Access |
| Bryo AI: Gemini 稍准确, Jev 10-20× 更便宜, Probability-Scores 更有用 | Early Tester | CTO-Feedback, Early Access |
| Training: 仅合成数据, RLCD; 无公开 Weights | Vendor声明 | Almeida / TypeSafe |
| 三个原语: Choice, Score, Noul | 产品 | TypeSafe API模型 |
- TypeSafe AI / Jev Launch产品, Specs jev-1.13.0, Seed, Primitive, System-One-Framing.https://typesafe.ai/
- Daniel Kahneman, Thinking, Fast and SlowSystem 1 / System 2 作为 TypeSafe “System One model” 的框架.https://en.wikipedia.org/wiki/Thinking,_Fast_and_Slow
- OpenAI RLHF / InstructGPT线Almeida 的背景 (RLHF, InstructGPT, ChatGPT, GPT-4) 在 TypeSafe 之前.https://openai.com/index/instruction-following/
Jev: 不是聊天机器人. 一个决策模型. 2026年9月22日. McGrinsey Writing Skill. Vendor-Evals 被标记为 Vendor-Evals. Early-Tester-Berichte 作为 Early Access.
