TypeSafe AI 发布 Jev 决策模型：官方称较 LLM 快 193.6 倍、成本降低 444.6 倍

2026 年 9 月 20 日——旧金山初创公司 TypeSafe AI 于 9 月 15 日结束两年隐身状态，发布首个「System One 模型」Jev：该模型不生成自由文本，而是对非结构化输入返回带校准概率的类型化决策。官方基准显示，端到端延迟为 70 至 500 毫秒，输入定价 0.042 美元/百万 tokens，官方称在同类工作流任务上较主流 LLM 最高快 193.6 倍、便宜 444.6 倍。

据官方公告，公司由前 OpenAI 研究员、InstructGPT 论文联合作者 Diogo Almeida 与 Erik Gafni、Sasha Sheng 共同创立，同批披露 4000 万美元种子轮融资，由 DCVC 领投；据媒体报道，投后估值约 2 亿美元。模型目前以 early access 形式开放，当前版本为 jev-1.13.0。

2026-09-20 · 决策模型 · AI Agent · 行业分析

1. 概览

Jev 与主流大模型的差异首先体现在输出形态上：主流 LLM 逐 token 生成自由文本，Jev 只返回结构化决策——一个概率值、一个选项或一个分数。官方将其定位表述为「前沿智能的函数调用：非结构化状态输入，类型化概率决策输出」，并明确表示该模型「面向机器而非人类」。

创始人 Diogo Almeida 在官方博客中说明了创业动机。他此前在 OpenAI 参与的研究工作「让语言模型学会遵循指令并与人类对话」，成果汇入了 ChatGPT。据其自述，四年来驱动他的核心问题是：「模型在聊天上已经超越人类多年，但自动化为什么没有随之而来？」他的结论是，聊天模型本身不会通向通用自动化，软件需要的是「一个软件可以依赖的接口」。

两个命名均有所指：「System One」取自心理学家卡尼曼提出的「系统 1 / 系统 2」认知框架，对应快速、直觉式的判断；「Jev」取自经济学家杰文斯（William Stanley Jevons），官方借杰文斯悖论表达其判断——智能成本每下降一个量级，都会解锁更多数量级的新用途。

2. 产品定位：从「聊天模型」到「决策模型」

2.1 一类新的模型形态

官方将 Jev 归入其定义的新模型类别「System One Model」。按照官方文档的表述，这类模型的输入是一段非结构化文本（称为 state）加一组在运行时定义的类型化问题，输出是对每个问题的概率化答案。它与两类既有方案形成对照：

第三方评测者对 Jev 的定位概括较为一致：它位于 LLM 与分类器之间——像 LLM 一样接受运行时定义的非结构化问题，像分类器一样只返回封闭集合内的判断。典型用途是语义判断类分支：这封邮件是否为商务合作、这条工单属于哪个类别、这段代码改动风险有多高。

2.2 三种决策原语

Jev 的接口由三种问题原语构成，全部在一次请求中并行求值：

一次请求的示例如下，问题以自包含的自然语言指令定义，官方文档说明问题 ID 不会发送给模型，因此每条指令必须独立可理解：

{
  "state": { "description": "你好，我想在贵站投放赞助广告..." },
  "questions": {
    "is_sponsor_inquiry": {
      "type": "noul",
      "instructions": "description 是否在请求赞助本站或本通讯？"
    }
  }
}

模型返回：

{
  "is_sponsor_inquiry": { "type": "noul", "noul": 0.99 }
}

3. 技术分析

3.1 RLCD：面向校准决策的训练方法

官方称 Jev 采用全新架构、采样器与训练算法，其中训练算法命名为 RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习），与主流 LLM 的 RLHF（人类反馈强化学习）和 RLVR（可验证奖励强化学习）相区分。官方的论点是：RLHF 优化的是人类偏好，产出的聊天模型存在「模式丢失、过度自信、可靠性不足」等缺陷，因此生产系统普遍需要人工兜底；RLCD 直接以「概率与实际结果吻合」为优化目标。

「校准」在此有明确的技术含义：如果一个答案标称 90% 概率，那么在大量同类预测中，其正确率应接近 90%。官方文档同时说明，校准是群体统计口径，不保证任何单条预测正确。

3.2 并行采样与结构保证

在推理机制上，同一 state 下的所有问题相互独立、并行求值，一个答案不影响另一个答案。官方称这一设计带来两重结果：一是批量化摊薄成本，第三方实测中一次请求并行携带 13 个问题，比逐个串行调用便宜约 12.2 倍、快约 10 倍（据 flaviocopes 实测数据）；二是输出结构由构造保证——答案只能落在预定义类型与选项之内，不可能出现格式错误的字段或编造的选项，官方据此宣称 0% 类型错误率与「零幻觉」，并说明该数字是构造性保证而非实测统计。

需要区分的是，「零幻觉」仅指结构层面：Jev 不可能生成不存在的字段或选项，但完全可能在给定选项内高置信度地选错。官方自己也承认「决策伴随需要管理的不确定性」。

围绕这一点，Hacker News 社区提出了主要质疑：约束解码（constrained decoding）技术也能让现有 LLM 做到结构保证。据社区讨论记录，创始人 Diogo Almeida 的回应是约束解码会损失模型能力。关于模型架构，官方未公开细节，社区猜测方向为「BERT 式编码架构加上现代 LLM 的数据、算力与训练配方」，该说法未获官方确认。

3.3 接口与生态接入

据官方文档，Jev 的接入方式与限制如下：

值得注意的是 Vercel AI SDK 7 的适配方式：同一组问题可以路由给 OpenAI、Anthropic、Google 的模型回答以做对比，但官方文档明确提示这些模型的答案未经过校准。

4. 性能与定价：官方口径与第三方口径

4.1 官方基准

官方公布的核心数字为：在自建的工作流评测中，Jev 较 LLM 快 193.6 倍、便宜 444.6 倍，并称其「在接近两个数量级的区间独占帕累托前沿」。一个代表性对比例为：Jev 单次调用成本 0.000081 美元、耗时 0.114 秒，对照 LLM 为 0.013880 美元、8.566 秒。延迟口径为端到端 70-500 毫秒（自美国西海岸测试），对照 LLM 为 3-329 秒。输入定价 0.042 美元/百万 tokens（42 美元/十亿 tokens），输出 tokens 免费，官方称输入单价较 Claude Fable 5.1 低 238 倍。

这些数字的口径需要注意。官方在公告中主动披露了四项限定：头条倍数取自真实收益区间的高端；评测工作流由官方自己的能力团队构建；评测以 GPT-6 Astra 与 Fable 5.1 两个模型的平均输出作为裁判答案，官方承认存在偏向性；延迟数据来自西海岸设备实测。此外，官方明确表示当前定价的可持续性未经证明，可能存在补贴。

4.2 第三方实测

发布后一周内出现了多批第三方实测，结果分化明显：

其中扑克测试对理解模型边界最有参考价值：实测显示 Jev 并不进行牌局推理，而是「读你写进 state 的结论」。在无同花可能的牌面且理应过牌的场景中，模型 16 次全部选择全下；只有把「对手持有 A 高同花」「我方牌力落后」等结论性字段写入 state 后，判断才被扭转。该实测者据此总结：Jev 适合做「判断」而非「推理」，推理结论需要由上游产出。

大规模标注是最直接的省钱场景：官方演示中对 1018 篇论文按 24 个主题做批量分类，成本 0.08 美元。另有实测演示包括以每秒约 10 次查询频率玩《毁灭战士》的游戏机器人（成本约每小时 7 美元）、shell 命令安全分类（对一条语义含糊的 rm -rf 命令返回「不可逆」0.56、置信度 0.33，触发人工复核）、以及免费级工具调用聊天机器人（约 300 毫秒响应）。

5. 局限性分析

综合官方文档披露与第三方实测，Jev 当前的边界集中在以下几项：

1. 字面化理解：对否定词、限定词按字面执行，间接表达（双重否定、多跳指代）会显著降低准确率。
2. 无数值能力：不做算术、计数与日期比较，此类运算需在代码层完成（可拆成逐项 Noul 判断后求和）。
3. 分数不是测量值：Score 输出适用于阈值与排序，不适用于幅度插值等精细用途。
4. 上下文污染：state 中无关内容积累会稀释判断质量；state 内的对抗性文本可能引导答案。
5. 类型安全不等于正确：结构保证仅覆盖格式层，选错选项的风险由置信度机制缓解而非消除。
6. 模态与能力限制：仅支持文本输入，完全不具备文本生成能力，不适合任何需要产出内容的环节。

官方在 FAQ 中留下了多个未正面回答的问题：Jev 是否只是一个小参数量 LLM、与 JSON mode 的本质区别、定价是否补贴、在哪些任务上表现挣扎。架构细节截至发稿未公开，官方也未在标准公开基准（如 MMLU 类榜单）上发布成绩，所有能力判断目前只能以自有数据实测为准。

6. 行业观察

6.1 Agent 决策栈的分层方案

第三方评测者与社区讨论中逐步形成的一个共识框架，是把语义判断从 LLM 推理链中拆出、按确定性程度分层调度：

在这一分层下，分类、路由、护栏、打分等高频低风险决策下沉到 Jev，推理与生成留在 LLM，不可逆操作与低置信度结果上升至人工。Browser Use 的实测是这一方案的直接验证：判断环节替换后，LLM 调用次数下降一个量级，而任务通过率不变。

6.2 经济账：按「解决任务的成本」计算

多方评测指出了同一条成本核算原则：应按「单个被解决任务的总成本」而非单次调用价格评估收益。flaviocopes 的分析给出一个量化框架：假设月账单 1 万美元，其中分类类调用占 60%，替换为近零成本决策可省约 57%；若分类只占 10%，则无论单次降价多少倍，总账单降幅上限即为 10%。同时存在两类隐性成本：上游预处理（上述论文标注演示中，生成摘要的前置成本为 3.99 美元，远超 0.08 美元的分类成本）与模型版本漂移（jev-1.13.0 后续升级带来的行为变化需要重新验证阈值）。

6.3 后续关注点

综合各方信息，Jev 后续值得跟踪的事实节点包括：独立第三方在标准任务上的可复现基准（当前头条倍数均为官方自测口径）；定价在 early access 结束后的走向（官方已自认可能补贴）；架构与训练细节是否披露；以及 Vercel 等平台之外，主流 Agent 框架是否会原生集成这类决策接口。多个评测方给出的落地建议较为一致：先以影子模式（shadow mode）在生产流量旁路记录 Jev 的判断并与现有流程对照，标注对错、校准阈值后，再从低风险分支开始逐个切换。