最近这几天Jev相当的火，因此也申请注册了一个账号，做下Jev模型的场景验证和试用。我这篇文章会给出完整的验证和试用方法说明，方便大家自己去验证。首先还是简单介绍下Jev模型。

TypeSafe AI 是一家位于旧金山的创业公司，由前 OpenAI 研究员 Diogo Almeida 联合 Erik Gafni 和 Sasha Sheng 共同创立。Almeida 是 RLHF（基于人类反馈的强化学习）训练流程的早期核心贡献者，也是 2022 年 InstructGPT 论文的作者之一，在 GPT-4 贡献名单中被列为“Foundational RLHF and InstructGPT work”。该公司经过约两年的隐身研发后，于 2026 年 9 月正式亮相，完成了由 DCVC 领投的 4000 万美元种子轮融资，Forbes 援引知情人士称估值约 2 亿美元。

Jev 是什么：不生成文字的“系统一”决策模型

Jev 是 TypeSafe AI 发布的首个旗舰模型，基于 Transformer 架构，但刻意不采用大语言模型的文本生成范式。它的核心定位是

“System One（系统一）决策模型”

，名字取自丹尼尔·卡尼曼《思考，快与慢》中的“系统一”——快速、直觉式的判断，与当下大模型主攻的“慢思考”形成镜像对照。Jev 不输出任何自然语言文本，只接收非结构化的状态输入，直接返回带概率的结构化判定，官方将其称为“校准决策”（Calibrated Decisions）。

Jev 的输出被严格限制在三种类型化原语中：

Choice（从预定义候选项中选择一个）、Score（给出数值评分）和 Noul（返回是/否判断及对应概率）。

它跳过自回归解码过程，在一次前向计算中并行产出所有答案，不逐字生成任何解释性文本。这意味着 Jev 从根本上消灭了结构化输出中的“格式幻觉”——它不会跑出预定义 Schema 之外的任何选项，但需要明确的是，判断本身仍然可能出错，只是不会输出格式错误的结果。

传统大模型是自回归文本生成器，即使只需要输出一个“A”，也会消耗大量 Token 来“解释”这个答案。Jev 则完全跳过文本生成环节，把计算集中在判断本身，因此从模型设计层面就放弃了“回答更长、等待更久、费用更高”的链路。两者的关系是互补而非替代：

大模型负责规划、生成等“慢思考”任务，Jev 负责路由、分类、打分、真伪判断等高频“快判断”任务

。业界的判断是，这种“快慢分工”的混合流水线正在成为 Agent 架构的标准范式。

性能表现：速度与成本的数量级差异

TypeSafe 公布的官方数据显示，在特定工作流评测中，Jev 最高比对照前沿大模型快 193.6 倍，便宜 444.6 倍，端到端延迟仅为 70 至 500 毫秒。价格方面，输入为每百万 Token 0.042 美元，输出完全免费，单次结构化决策成本约 0.0004 美元。独立基准测试也印证了这一趋势：在一项覆盖 49 个任务的评测中，Jev 在 42 个任务上达到或超过了大模型基线，延迟约为后者的七分之一，成本约为四分之一。

适合什么场景：高频、原子化的软件决策

Jev 的典型适用场景是那些需要语义理解但不需要文本生成的判断任务，包括：工单路由与分诊（应该交给销售还是售后）、风险筛查与安全守门（这笔交易风险高不高）、工具调用选择（Agent 下一步该调用哪个 API）、以及搜索结果重排等。在医院分诊台、快递分拣、风控打分、客服自动分流等需要“高频、实时、结论明确”的场景中，Jev 的低延迟和低成本优势最为突出。但必须注意的是，Jev 不能聊天、不能写代码、不能解释判断理由，也仅接受文字输入，答案永远锁定在预定义选项之内。

首先还是你需要先在TypeSafe官网（typesafe.ai）加入，申请注册。注册通过后可以进入Console界面，在这个界面可以创建API Key，方便后续使用。具体界面参考：

注意这个界面本体有PlayGround菜单，可以在线测算和验证。即分别输入State例子和Question内容。然后执行分析即可。注意Question内容有格式要求，注意参考系统本身给出的一些调用参考案例。

在这里初步验证通过后，我们进入到QuickStart界面参考具体的使用说明。具体的地址是：

https://docs.typesafe.ai/introduction/quickstart

当然有了AI辅助后。有些事情就不要自己做了。以下操作以CodexCLI工具来示例说明具体的Skills安装过程，包括后续通过AI编程实现一个简单对话功能对Jev模型功能和性能进行验证。

首先在Codex CLI里面输入下面内容，让AI自己安装技能。

帮我安装下 typesafe ai的jev  skills，具体提供信息如下：

Install the TypeSafe skill. If you're in Claude Code, run `claude plugin marketplace add typesafe-ai/skills`, then `claude plugin install typesafe@typesafe-ai`. If you're in another agent, run `npx skills add typesafe-ai/skills --skill typesafe-ai` and select your agent. Use one installation method. You can read the skill directly at https://github.com/typesafe-ai/skills/blob/main/skills/typesafe-ai/SKILL.md (raw: https://raw.githubusercontent.com/typesafe-ai/skills/main/skills/typesafe-ai/SKILL.md). Then use the TypeSafe skill when working on this project.

安装完成后进行验证，验证完成后告诉我具体用法。

注意这里需要你提供下API Key信息给AI，同时让AI验证安装是否成功可用，并让AI自动帮你将Key值配置到本机环境变量里面。

当前项目有一个本体论的目录，这个目录下是我原来写好的关于本体论的，markdown格式的文章。我现在的希望是这些文章全部能够作为jev调用的state和message素材信息。然后我可以基于这些素材提问，这些问题可能是判断选择类的，也可能分类聚合的。

如果可行，帮我实现一套完整的程序来处理。我需要达到效果就是我直接提出问题，然后jev能够给我返回最终的回答结果。包括输出具体的耗时信息等。

然后AI分析后认为可行，给出答复如下：

可行，但需要明确 Jev 的边界：它擅长“基于证据做选择、概率判断和分类”，不是自由文本生成模型。程序会把“最终答案”实现为可审计的结构化结论、置信度、来源文章与原文证据；对于开放问题，界面会明确显示 Jev 的判断与证据，而不会伪造一段无来源的长文生成回答。

我会在 code 下落地 Flask + SQLite 的索引与 Jev 调用层，以及 Vite React + TypeScript + Tailwind 的问答界面。前端提供判断、选择、分类聚合三种模式，结果包含端到端耗时、Jev 耗时、检索耗时、token 用量和可展开证据。

实现会分为以下四部分并逐项验证：

接着我们让AI给出一些示例问题参考：

问题：根据知识库文章，本体建模是否强调将业务对象、关系、行为与规则沉淀为可复用的业务语义模型？

问题：根据知识库文章，传统 OWL 推理可以单独解决 AI 原生应用中的全部动态业务推理需求吗？

问题：根据知识库文章，本体建模与传统面向对象建模最准确的关系是什么？

候选项：  替代关系 | 本体建模完全取代面向对象建模；  语义扩展关系 | 本体建模保留对象建模并强化业务语义、关系和规则；  无关关系 | 两者没有实质联系。

问题：根据知识库文章，构建本体驱动 AI 原生应用时最合适的推理架构是什么？

候选项：纯规则推理 | 只依赖 OWL、SHACL 或业务规则引擎；  纯大模型推理 | 将所有业务判断交给通用大模型；  混合推理 | 用确定性规则、图谱/本体关系和大模型语义判断协作；  纯向量检索 | 只通过 embedding 相似度完成全部推理

分类聚合问题： 将与“本体模型驱动 AI 原生应用”最相关的文章按其主要关注点分类，并汇总最主要的方向。

基于以上思路，我们让AI实现了完整的程序进行验证。同时对里面的判断，选择，分类，分类聚合各个场景都进行了验证。整体来看，其分析判断和决策过程相当快，对应判断场景还给出明确的置信度分析。

从上面可以看到，涉及到接近100篇文章的分析。对应聚合分类场景。从检索，到重排序，到最终判断。所有时间加起来1.8秒全部完成。而且还列出了所有的支撑结论的原始素材参考和说明。

这也再次说明Jev小模型的重点不是内容生成，

而是既有已有内容的判断，决策，分析，推理，分类和聚合等

。其核心特点是在满足一定置信度要求小的快速判断和决策能力，极小的Tokens消耗的成本优化能力。

继续。当前这个jev小模式是否可以用于将我本体论目录下的文章抽取核心的概念，实体，知识点，形成相互依赖，约束关联的知识网络？

10 篇试验已完成，结果支持继续实施：30 个关系判断中有 28 个给出明确关系，平均“可形成网络边”的评分为 1.87 / 2。不过若干关系的置信度偏低，说明不能将所有预测自动写成事实。因此模块会将 本体概念词表 + 切片共现 作为候选发现机制，让 Jev 只裁决关系方向和类型；高证据边自动入图，弱证据边保留为“待审核”。这正好避免将中文语料上的不确定预测直接固化为知识。

我们还是AI编程实现这块能力，输出要给完整的可视化知识图谱。

构建知识网络的机制可以概括成"

本地确定性发现 + 模型概率判断

"两段式。前半段完全不碰模型：用一份人工维护的受控词表，在文章切片里做字符串匹配，找出共现的概念候选；后半段才把这些候选对连同原文交给 Jev，由它判断两者之间究竟存在什么关系。整个设计的核心约束是，

模型不负责发明实体名，只负责在已有候选之间做判断

，所以每个节点、每条边都能回溯到原文。

概念发现这一步是纯确定性的。受控词表目前有 33 个概念、13 个类型，每个概念配若干别名；切片经 casefold 之后逐个别名做字符串计数，命中两个以上概念的切片才进入候选，再按命中概念数和提及总数降序，每篇文档只取前几片。候选还要再收窄一次：每片最多保留 4 个概念，两两组合后只留 3 对。这两道截断决定了整张图谱的密度上限。

真正调用 Jev 时，客观素材放在 state 里，问题全部写在 questions 里。每对概念生成两个问题：relation 是 choice 类型，12 个选项由六种关系的正反方向加一个"无明确关系"组成，用互斥选项来表达方向性；support 是 noul 类型，二值输出直接给出概率。3 对概念合成 6 个问题，打包进一次 HTTP 请求，避免多次往返。

support 判断原文是否真的支持某种关系，confidence 衡量模型这次选择有多确定

。低于 0.45 的边直接丢弃；支持度不低于 0.72 且置信度不低于 0.60 的记为已确认，其余进待审核队列。关系方向由正则从选项名反解成源概念、目标概念和关系类型，每条边都留存来源切片、支持度、置信度和证据条数。

整条链路只有 Jev 一个外部模型出口，依赖里没有任何通用大模型的 SDK。召回侧用 SQLite FTS5 加手写的中文二元分词，没有 embedding，也没有向量库。目前最大的短板是构建过程完全串行：10 篇文档、每篇 3 片，就是 30 次 Jev 调用依次执行，这是等待耗时的主要来源。

今天关于Jev验证的分享就到这里。那么以上简单验证，你觉得Jev能够在哪些场景帮助你？

大家好，我是人月聊IT。最近这几天Jev相当的火，因此也申请注册了一个账号，做下Jev模型的场景验证和试用。我这篇文章会给出完整的验证和试用方法说明，方便大家自己去验证。首先还是简单介绍下Jev模型。

TypeSafe AI 发布的Jev决策模型验证-判断决策，分类聚合才是关键场景

人工智能

算法

开发工具

Jev模型是一款由TypeSafeAI推出的非文本生成型决策模型，采用“系统一”快速判断机制，专攻高频、原子化软件决策场景。实测显示，其响应速度比传统大模型快193.6倍，成本低444.6倍，端到端延迟仅70-500毫秒。该模型支持选择、评分、是/否三类输出，适合工单路由、风险筛查、知识图谱构建等任务。本文提供完整验证流程，涵盖API调用、技能安装及基于知识库的分类聚合测试，并展示其1.8秒完成百篇文档分析的能力。

大模型推理

知识图谱

平台工程

强化学习

Transformer

TypeScript 

AI编程

路由

SQLite

DevOps

Agent

RLHF

2026上云采购 | AI焕新·智启新局

lexiang

serverless-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Jev模型是一款由TypeSafeAI推出的非文本生成型决策模型，采用“系统一”快速判断机制，专攻高频、原子化软件决策场景。实测显示，其响应速度比传统大模型快193.6倍，成本低444.6倍，端到端延迟仅70-500毫秒。该模型支持选择、评分、是/否三类输出，适合工单路由、风险筛查、知识图谱构建等任务。本文提供完整验证...

TypeSafe AI 发布的Jev决策模型验证-判断决策，分类聚合才是关键场景

TypeSafe AI 发布的Jev决策模型验证-判断决策，分类聚合才是关键场景

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐