大模型 Jev 正式向所有用户开放，无需申请候补名单。注册即送 5 美元额度（约 1.2 亿 Token）。Jev 的 Token 消耗极低，实测百万输入 Token 仅需 0.042 美元。
体验地址：console.typesafe.ai
在 GPT 和 Claude 竞争激烈之际，由前 OpenAI 研究员 Diogo Almeida 创立的 TypeSafe AI 推出了全新模型 Jev。Almeida 曾参与 ChatGPT 研发并提出 RLHF 算法，但他逐渐意识到，过度优化人类语言处理能力对自动化任务并非最佳方案。
TypeSafe AI 于 9 月 15 日正式亮相，宣布获得 4000 万美元种子轮融资，并推出首款模型 Jev。
Jev 基于 Transformer 架构，但不同于传统大语言模型，它不生成完整句子，而是输出类型化的决策结果，如选项、分数或概率值，并附带置信度评分。TypeSafe 将此类输出称为“校准后的决策”。
下图展示了 Jev 与大语言模型在应对相同请求时的表现对比：
AI 圈最火的模型，跟 ChatGPT 不是一个路子
理解 Jev 需跳出大语言模型的思维框架。以客服场景为例：面对用户投诉，系统需判断归属团队、紧急程度及情绪状态。TypeSafe 的接口设计允许同一次请求中并行评估多个独立问题。
Jev 的输出主要有三种形态：
- Choice：从预定义列表中选择一项（最多 255 个选项），适用于路由和分类；
- Score：在指定尺度上打分，用于衡量紧迫性、质量或风险；
- Noul：是非判断，输出为真概率值。
每次回答均附带概率分布与置信度，结果为强类型，无需 JSON 提示词或额外解析器，避免格式错误。
该方式显著降低延迟与成本。TypeSafe 数据显示，Jev 端到端延迟为 70 至 500 毫秒，比同类大模型快 20 至 200 倍。
当前定价为每十亿输入 Token 42 美元（即每百万 0.042 美元），输出免费。新增问题与选项说明计入输入 Token，但不按生成长度收费。
由于输出范围由用户预设，Jev 不会产生幻觉（指不会超出预设选项作答，但选项内仍可能出错）。
在 Ably Pong 演示中，Jev 在 12 秒内完成 47 次操作决策，而 Gemini、Claude 和 GPT 仅完成两三次。Jev 接收游戏状态数据（球位置、方向、球拍坐标等），从“向上、向下、保持”三个选项中快速选择。
Jev 的打开方式有哪些
Jev 可作为操作判断层，指导代理执行指令，或用于上下文压缩，快速筛选关键信息。例如 Browser Use 项目 jev-ultrafast 实现浏览器代理：程序读取页面元素生成编号清单，Jev 基于结构化状态、用户目标及操作历史，动态选择下一步动作。
以查机票为例，程序每轮并行询问：应点击、输入、选择还是等待？若点击，选哪个编号？最终只采用匹配实际操作的答案。涉及文本输入时，另调小模型生成内容。
Vercel 工程师 Pranit Sharma 表示，用 Jev 替代 OpenAI 的 Luna 后，命令安全检查速度提升 5 至 18 倍，准确性显著提高。Bryo AI CTO Nikhil Mudholkar 测试显示，Jev 在商业邮件分类任务中成本仅为 Gemini 的 1/10 至 1/20，准确率略低但性价比更高。
用户可自建流程：将邮件拆解为明确问题，用 Choice 判断队列，Noul 判断是否需行动，Score 评估优先级。
Earendil CTO Armin Ronacher 指出，这种方式将幻觉处理责任转移给用户：“若概率仅 50%，可忽略；若达 95%，则可利用。”他还提到 Jev 可用于模型路由，低成本实时预测任务所需模型类型。
最明智的决定
Jev 之名源自经济学家 William Stanley Jevons，其悖论指出：商品成本下降将导致使用量激增。Almeida 借此类比，预见智能成本降低后将广泛嵌入微小场景，而非集中于大型应用。
TypeSafe 称 Jev 为"System One Models"，强调其依赖直觉判断而非推理链，专为特定任务调校。官方建议将复杂判断拆分为多个明确问题，由代码组合解决。
Almeida 表示，转向合成数据处理是他做过最明智的决定。目前 TypeSafe 是唯一采用此路线的公司，但预计跟进者将增多。公司计划推出更多场景化模型版本。
面对“是否属前沿实验室”的提问，Almeida 回应：“我们希望主要产品是智慧，而非恐惧、炒作或造神叙事。”
Jev 上线后需求超预期，API 曾短暂不稳定。已有团队将其用于信息流筛选，单次成本仅 0.007 美元；另有团队接入营销分析流程，效率提升 30 倍，成本控制在 3 美元以内。
AI 少说了很多话，软件却多做了几件事。